tersserorc的简单使用

tesserocr 是 python 的一个 OCR 库，它是对 tesseract 做的一层 Python API 封装，所以他的核心是tesseract。

tesseract 的安装见 https://www.cnblogs.com/gl1573/p/9876397.html

windows 下安装 tesserocr 是一个坑爹的事情，直接用 pip 安装是不可以的，会报错，只能用 .whl 的方式安装。据说 pip 的方式只能用于 Linux 系统，没验证过。

whl 下载地址：https://github.com/simonflueckiger/tesserocr-windows_build/releases

网站中列出了 tesserocr 和 tesseract 版本的对应关系，选择对应的版本，否则会出现非预期字符。

安装 whl 

λ pip install tesserocr-2.4.0-cp36-cp36m-win_amd64.whl

脚本：

import tesserocr
from PIL import Image


img = Image.open('1.png')
result = tesserocr.image_to_text(img)
print(result)

遇到的坑：‘

如果依照官方文档，只安装了 tesserocr 的 .whl 文件，并尝试运行如下测试代码：

import tesserocr
from PIL import Image


img = Image.open('1.png')
result = tesserocr.image_to_text(img)
print(result)

便会得到如下错误提示：

Traceback (most recent call last):
  File "c:/Users/iwhal/Documents/GitHub/python_notes/notes_of_crawler/code_of_learn_is_ignored/test_of_tesserocr .py", line 4, in <module>
    print(tesserocr.image_to_text(image))
  File "tesserocr.pyx", line 2401, in tesserocr._tesserocr.image_to_textRuntimeError: Failed to init API, possibly an invalid tessdata path: 

Traceback 告诉我们：tessdata 路径无效，无法初始化 API。

错误的原因是：stand-alone packages 虽然包含了 Windows 下所需的所有库，但并是不包含语言数据文件(language data files)。并且数据文件需要被统一放置在 tessdata 文件夹中，并置于 C:Python36 内。

获得数据文件有如下两种方式：

• 方法一：按照下一节的方法安装 "tesseract-ocr-w64-setup-v4.0.0-beta.1.20180608.exe"(因为要与 tesserocr-2.2.2 匹配)。然后，将 C:Program Files (x86)Tesseract-OCR 下的 tessdata 文件夹复制到 C:Python36 下即可 。

• 方法二：无需安装 tesseract ，只需克隆 tesseract 仓库的主分支，然后将其中的 tessdata 文件夹复制到 C:Python36中。接下来，通过 tessdata_fast 仓库下载 eng.traineddata 语言文件，并放置于 C:Python36 essdata 内即可。

可见，解决此问题的关键在于获得 tesseract 的 tessdata 文件夹，并不一定要安装 tesseract ，但 tesseract 的版本一定要正确。

接下来尝试运行之前的代码：

import tesserocr
from PIL import Image


img = Image.open('1.png')
result = tesserocr.image_to_text(img)
print(result)