tesseract 安装及使用

1.简介
OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。在读取和处理图像、图像相关的机器学习以及创建图像等任务中，tesseract的表现一直非常出色。

2.下载
tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/，打开网站，根据自己的操作系统下载不同的版本。

我的选择windows 64位，V4.0下载.
3.安装
双击安装软件，安装过程按照下面的图片指示进行。
注意：选择安装语言包，包含英文（默认安装）、中文、数学公式等。










安装完成后打开软件安装的目录。

4.环境配置
安装完成之后，只能在软件所在的目录中才能够使用该软件，为了能将该软件在cmd下任意目录中调用，需要把 C:\Tesseract-OCR\tessdata 配置到系统环境变量中。

我的计算机->右键属性打开界面->点击高级系统设置->在打开的系统属性界面，点击"环境变量"->在环境变量界面选择"系统变量"中选中path，然后点下面的编辑，打开编辑环境变量界面,把 C:\Tesseract-OCR 添加到变量中，点"确定"。

配置完成，打开命令终端，输入：tesseract -v，可以看到版本信息。

如果出现报错，估计是环境变量没有配置好。

5.使用
在一个文件夹下，准备一张带有字符的图片。

在该文件夹下打开cmd命令，命令行输入：
格式： tesseract 图片名称 生成的结果文件的名称
例子：tesseract image.png str.txt

运行命令之后，会生成str.txt文件，打开该文件，可以查看识别的字符。

6.安装pytesseract
如果需要在Python上识别图片，需要安装Python版本的pytesseract库，安装pytesseract库之前，需要先 Pillow 库，使用命令：pip install Pillow。

接着再安装 pip install pytesseract，安装成功。

7.处理规范文字案例
新建一个test.png图片，保存在当前程序目录下。

例子：

import pytesseract

from PIL import Image

#如果不修改pytesseract.py文件，可以在程序中指定tesseract_cmd的运行文件

#tesseract_cmd = 'C:/Tesseract-OCR/tesseract.exe'

image = Image.open('test.png')

text = pytesseract.image_to_string(image)

print(text)

报错：

解决方案：需要修改 C:\Python35\Lib\site-packages\pytesseract下的 pytesseract.py 文件。

修改pytesseract.py文件里的tesseract_cmd 值。

tesseract_cmd = ‘C:\Tesseract-OCR\tesseract.exe’

修改完之后，运行程序，如下：

8.识别简易的登录验证码
大多数网站生成的验证码图片都具有以下属性：

1.它们是服务器端的程序动态生成的图片。验证码图片的 src 属性可能和普通图片不太一 样，比如 <img src="WebForm.aspx?id=8AP85CQKE9TJ">
，但是可以和其他图片一样进行下载和处理。

2.图片的答案存储在服务器端的数据库里。

3.很多验证码都有时间限制，如果你太长时间没解决就会失效。

4.常用的处理方法就是，首先把验证码图片下载到硬盘里，清理干净，然后用 Tesseract 处理图片，最后返回符合网站要求的识别结果。

例子：登录验证码图片

程序：

import pytesseract

from PIL import Image

#如果不修改pytesseract.py文件，可以在程序中指定tesseract_cmd的运行文件

#tesseract_cmd = 'C:/Tesseract-OCR/tesseract.exe'

image = Image.open('yzm1.png')

text = pytesseract.image_to_string(image)

print(text)

运行结果：

通过例子，可以看出，识别是有误差的，这就需要机器的自我学习，需要我们训练Tesseract。