Mac上tesseract-OCR的安装配置

tesseract简介

OCR(Optical Character Recognition)即光学字符识别技术，专门用于对图片文字进行识别，并获取文本。

tesseract-ocr引擎先由HP实验室研发，后来成为一个开源项目，主要由google进行改进优化。

安装步骤

安装homebrew

Homebrew是MacOS上的包管理器，类似于ubuntu中的apt-get，centos中的yum，Homebrew安装很简单

ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

安装完毕后可以用brew -v测试

Homebrew 1.3.1
Homebrew/homebrew-core (git revision 0290; last commit 2017-08-23)

安装tesseract

brew install --with-training-tools tesseract #同时安装附加组件，后面自定义字库会用到

安装完毕后用tesseract -v测试

tesseract 3.05.01
leptonica-1.74.4
libjpeg 9b : libpng 1.6.31 : libtiff 4.0.8 : zlib 1.2.8

基本用法

tesseract test.png output #识别test.png的图片，把结果放到output.txt中

test.png

output.txt自动生成

更多可选参数的用法可以通过tesseract -h查询

python接口

python有着更加优雅的方式调用系统的tesseract工具，首先安装pytesseract模块

sudo pip install pytesseract

pytesseract是对tesseract的封装，要和PIL联合使用，基本用法如下：

import pytesseract
from PIL import Image
img = Image.open('./test.png') #先创建image对象
text = pytesseract.image_to_string(img) #直接转化成string，更多参数可以查看文档
repr(text) #"u'Hello world!\\n1234'"

结束语

默认的tesseract-ocr工具识别能力有限，很多地方需要个性化定制(如中文)，博主也还在学习过程中，以后再会有进一步说明，欢迎大家学习交流。