图片文字识别

https://blog.csdn.net/qq_37193537/article/details/81335165

1、下载安装包

根据https://github.com/tesseract-ocr/tesseract/wiki，我找到非官方的安装包，好像我只看到64位的安装包http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下载后直接安装即可，但是要记得你的安装目录，我们等会配置环境变量要用。

如果不是做英文的图文识别，还需要下载其他语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

简体字识别包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁体字识别包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

或者直接我的百度云盘：链接：tesseract 密码：tmdm

第二步：安装

直接执行下载好的tesseract-ocr-setup-4.0.0-alpha.20180109.exe，下一步、下一步安装。安装过程中，会让你安装额外的语言包，可根据选择下载。

第三步：配置环境变量

我的是安装在C:Program Files (x86)Tesseract-OCR，界面如下：

将“F:Tesseract-OCR”添加到环境变量中。如图：

增加一个TESSDATA_PREFIX变量名，变量值还是我的安装路径F:Tesseract-OCR essdata这是将语言字库文件夹添加到变量中;

 

使用
打开命令终端，输入：tesseract -v，可以看到版本信息

用命令tesseract --list-langs来查看Tesseract-OCR支持语言。

将命令行切换至目标图像文件目录，比如我们转换文件为test.png（图片文件允许多种格式），位于C:UsersLianDesktop est；然后在命令行中输入

tesseract test.png output_1 –l eng
【语法】:  tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename为目标图片文件名，需加格式后缀；outputbase是转换结果文件名；lang是语言名称（在Tesseract-OCR中tessdata文件夹可看到以eng开头的语言文件eng.traineddata），如不标-l eng则默认为eng。

打开文件output_1.txt，发现tesseract成功的将图像转换成152408。

遇到的问题：
问题1：

没有配置环境变量，按上面情况将环境变量配置好

问题2：

E: estdir>tesseract ttest1.png test1 -l eng 

Error opening data file Program Files (x86)Tesseract-OCR essdata/eng.traineddata 

Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory. 

Failed loading language 'eng' 

Tesseract couldn't load any languages! 

Could not initialize tesseract. 

   错误信息的关键词是tesseract_prefix的环境变量设置。

解决办法：  找到testData所在的目录，默认情况下是在tesseract安装的目录，在环境变量中设置TESSDATA_PREFIX的环境变量为testdata所在的目录即可。 重新运行命令即可正常使用。
https://www.jianshu.com/p/96b95a6c9210

from PIL import Image
import pytesseract
#上面都是导包，只需要下面这一行就能实现图片文字识别
text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim')
print(text)

我们以识别诗词为例
下面是我们要识别的图片

 

denggao.JPEG

先看下效果图

 

图片文字识别.gif

我们运行代码后识别的结果,有几个字没有正确识别，但是大多数字都能识别出来。

风急天高猿啸哀 渚芸胄芳少白鸟飞凤
无边落木萧萧下, 不尽长量工盲衮宕衮来
万里悲秋常1乍窨, 百年多病独登氤
艰难苦恨擎霜量 漂倒新停澍酉帆

一行代码就能识别图片，我们背后要做些准备工作的

• 这里我们需要用到两个库：pytesseract和PIL
• 同时我们还需要安装识别引擎tesseract-ocr

下面就来讲讲这几个库的安装，因为只有这几个库安装好以后Python才能实现一行代码实现图片文字识别

一，pytesseract和PIL的安装

安装这两个包可以借助pip

• 1，命令行安装
  pip install PIL
  pip install pytesseract

• 2，如果你用的pycharm编辑器，就可以直接借助pycharm实现快速安装。
  在pycharm的Settings设置页按照下面步骤操作

  
  
   

  

  pycharm用pip安装库.png
  
  

  这样就能成功安装pytesseract，安装PIL只需要在上面第三步里搜索PIL并点击安装即可

  
  
   

  

  安装成功.png

这时我们安转好了库，运行下面代码

from PIL import Image
import pytesseract
text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim')
print(text)

会报下面错误，错误原因是：没有安装识别引擎tesseract-ocr

 

2.png

二，安装识别引擎tesseract-ocr

• 1.下载下面的安装包，然后直接点击安装即可
  tesseract-ocr安装包和中文语言包

解压安装tesseract-ocr后做如下操作，就可以支持中文识别了。因为tesseract-ocr默认不支持中文识别。

 

支持中文识别.png

• 2，安装完成tesseract-ocr后，我们还需要做一下配置
  在C:UsershuxiuAppDataLocalProgramsPythonPython35Libsite-packagespytesseract找到pytesseract.py打开后做如下操作

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
#tesseract_cmd = 'tesseract'
tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

也可以通过pycharm快速打开pytesseract.py

 

打开pytesseract包.png

 

6.png

 

关联OCR和pytesseract.png

至此我们所有的配置就完成了，运行下面代码就可以把杜甫的登高这首图片诗解析成文字了

 

项目源码.png