图片文字识别

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

一、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，下载后直接安装便可，可是要记得你的安装目录，咱们等会配置环境变量要用。

若是不是作英文的图文识别，还须要下载其余语言的识别包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

或者直接个人百度云盘：连接：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。安装过程当中，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

个人是安装在C:\Program Files (x86)\Tesseract-OCR，界面以下：

 

将“F:\Tesseract-OCR”添加到环境变量中。如图：

 

增长一个TESSDATA_PREFIX变量名，变量值仍是个人安装路径F:\Tesseract-OCR\tessdata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，能够看到版本信息

 

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，好比咱们转换文件为test.png（图片文件容许多种格式），位于C:\Users\Lian\Desktop\test；而后在命令行中输入

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，按上面状况将环境变量配置好

问题2：

E:\testdir>tesseract ttest1.png test1 -l eng 

Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/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，默认状况下是在tesseract安装的目录，在环境变量中设置TESSDATA_PREFIX的环境变量为testdata所在的目录便可。 从新运行命令便可正常使用。
https://www.jianshu.com/p/96b95a6c9210

from PIL import Image import pytesseract #上面都是导包，只须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) 

咱们以识别诗词为例
下面是咱们要识别的图片

 

denggao.JPEG

先看下效果图

 

图片文字识别.gif

咱们运行代码后识别的结果,有几个字没有正确识别，可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，咱们背后要作些准备工做的

• 这里咱们须要用到两个库：pytesseract和PIL
• 同时咱们还须要安装识别引擎tesseract-ocr

下面就来说讲这几个库的安装，由于只有这几个库安装好之后Python才能实现一行代码实现图片文字识别

一，pytesseract和PIL的安装

安装这两个包能够借助pip

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

• 2，若是你用的pycharm编辑器，就能够直接借助pycharm实现快速安装。
  在pycharm的Settings设置页按照下面步骤操做

  
  
   

  

  pycharm用pip安装库.png
  
  

  这样就能成功安装pytesseract，安装PIL只须要在上面第三步里搜索PIL并点击安装便可

  
  
   

  

  安装成功.png

这时咱们安转好了库，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，错误缘由是：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，而后直接点击安装便可
  tesseract-ocr安装包和中文语言包

解压安装tesseract-ocr后作以下操做，就能够支持中文识别了。由于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，咱们还须要作一下配置
  在C:\Users\huxiu\AppData\Local\Programs\Python\Python35\Lib\site-packages\pytesseract找到pytesseract.py打开后作以下操做

# 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' 

也能够经过pycharm快速打开pytesseract.py

 

打开pytesseract包.png

 

6.png

 

关联OCR和pytesseract.png

至此咱们全部的配置就完成了，运行下面代码就能够把杜甫的登高这首图片诗解析成文字了

 

项目源码.png