tersserorc的简单使用

tesserocr 是 python 的一个 OCR 库，它是对 tesseract 作的一层 Python API 封装，因此他的核心是tesseract。

tesseract 的安装见 http://www.javashuo.com/article/p-yfjbydij-mb.html

 

windows 下安装 tesserocr 是一个坑爹的事情，直接用 pip 安装是不能够的，会报错，只能用 .whl 的方式安装。听说 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，不然会出现非预期字符。

 

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：‘

若是依照官方文档，只安装了 tesserocr 的 .whl 文件，并尝试运行以下测试代码：

import tesserocr
from PIL import Image


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

便会获得以下错误提示：

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 告诉咱们：tessdata 路径无效，没法初始化 API。

错误的缘由是：stand-alone packages 虽然包含了 Windows 下所需的全部库，但并是不包含语言数据文件(language data files)。而且数据文件须要被统一放置在 tessdata\ 文件夹中，并置于 C:\Python36 内。

得到数据文件有以下两种方式：

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

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

可见，解决此问题的关键在于得到 tesseract 的 tessdata\ 文件夹，并不必定要安装 tesseract ，但 tesseract 的版本必定要正确。

接下来尝试运行以前的代码：

import tesserocr
from PIL import Image


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