7_1 tesseract 安装及使用

1、安装tesseract
　　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。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract下载地址：

链接：https://pan.baidu.com/s/1WyduWNeu4OK38sx4FZIhvQ
提取码：hcfl

Index of /tesseract

进入下载页面，可以看到有各种.exe文件的下载列表，这里可以选择下载4.0版本。

接下来，为了在python代码中使用tesseract功能，使用pip安装pytesseract：

pip install pytesseract

2、配置环境变量

　　为了在全局使用方便，比如安装路径为D:\install\tesseract-ocr-v4.0.0\Tesseract-OCR，将该路径添加到系统环境变量的path中

并且增加系统环境变量TESSDATA_PREFIX 变量值中的路径为D:\install\tesseract-ocr-v4.0.0\Tesseract-OCR\tessdata

配置完成后在命令行输入tesseract -v，如果出现如下图所示，说明环境变量配置成功

3、验证安装（命令行）

接下来，我们可以使用tesseract进行测试。

我们以如下图所示的图片为样例进行测试。

用命令行进行测试，将图片下载到D盘pythonTest文件夹，保存为test.jpg，然后在该文件夹中打开命令行，用tesseract命令测试：

tesseract test.jpg result

会在test.jpg目录下生成result.txt文件结果

4、识别中文字体（命令行）

　　如果安装时没有下载中文字体（FQ下载勾选了就有）就需要自已添加中文字体库

　　4.1 下载

　　链接：https://pan.baidu.com/s/1QpdXJrlFVvgBsGT0Ly4Xpw
　　提取码：amt0

　　python 利用tesseract识别文字报错（内含中文包下载地址）_failed loading language \'chi_sim\' tesseract coul-CSDN博客

　　或者：Tesseract最新版语言包chi_sim.traineddata(4.0.0)GitHub官方获取免csdn积分，各个版本语言包全有-CSDN博客

把下载的中文训练库放入D:\install\tesseract-ocr-v4.0.0\Tesseract-OCR\tessdata中

　　4.2 测试

　　应用中文字体图片，测试和步骤3方法相同。

　　查看能识别的语言：

　　chi_sim 代表中文简体。

5、利用Python代码来测试

 1 """tesseract"""
 2 
 3 
 4 from PIL import Image
 5 import pytesseract
 6 
 7 # 识别英文
 8 image = Image.open(r'D:\pythonTest\4.jpg')
 9 text = pytesseract.image_to_string(image)
10 print(text)
11 
12 # 识别中文简体
13 image_chi = Image.open(r'D:\pythonTest\2.png')
14 text_chi = pytesseract.image_to_string(image_chi, lang='chi_sim')
15 print(text_chi)