Tesseract-文字识别工具

0. 背景

最近在准备一个爬虫项目，准备阶段了解到一个文字识别工具，用在验证码方面很方便。 现在主力开发机是mac，本文流程都是基于mac。

1 安装

2. 语言库

作为文字识别工具，需要安装识别的语言库。 下载需要的语言之后，放到/usr/local/Cellar/tesseract/3.05.01/share/tessdata路径下。 常用的如下：

3.Tesseract的使用

• 帮助文档

• 默认使用

• 指定语言

• psm参数（page segmentation modes） help文档中的介绍如下

解释：

4. 字符训练

字符训练是一个很重要，也很复杂的话题。以后深入学习了单开话题进行补充。

5. Python库

安装好tesseract之后就可以在Python中通过库文件很方便的把这个功能做到程序中了。

1. pip install pytesseract不多说。
2. 简单的源码：

1. 结果

• 英文原图：

831524628903_.pic.jpg

• 识别结果： Hello worldl
• 中文原图：

891524629631_.pic.jpg

• 识别结果： 2018年清明节工作 日历女口下图二

可见，英文识别还可以，中文适应度不是很高。对于左右结构的字识别能力较差。