Tesseract-OCR 介绍

Tesseract是一个开源的ocr（光学字符识别，即将含有文字的图片转化为文本）引擎，可以开箱即用，项目最初由惠普实验室支持，1996年被移植到Windows上，1998年进行了C++化。在2005年Tesseract由惠普公司宣布开源。2006年到现在，都由Google公司开发。

Tesseract-OCR的windows安装包网址是

https://digi.bib.uni-mannheim.de/tesseract/

上面的最新版是：

下载后即可安装，安装时需要勾选你需要的语言库。安装完成后需要将安装路径添加到环境变量。假如你选择的的安装路径是C:\Program Files\Tesseract-OCR，将这个路径添加到系统环境变量 path。

环境变量设置好之后可以在命令行输入

1. tesseract -v
2. 出现图片中类似的响应，即表明Tesseract-OCR 的安装和设置是成功的。

之后想要在Python 中调用 Tesseract-OCR，只需安装pytesseract。

（注意前提是成功安装Tesseract-OCR 和设置好环境变量!）

1. pip install pytesseract

下面是Python 调用Tesseract-OCR的示例代码：

图片:

from PIL import Image
import pytesseract


img_path = r'D:\Backup\我的文档\My Pictures\捕获.PNG'
text=pytesseract.image_to_string(Image.open(img_path), lang="chi_sim", config="–psm 11 pdf")
# –psm 3 : 一块一块的识别
# –psm 6：一行一行的识别
# –psm 11 pdf：保留布局
#text=pytesseract.image_to_string(Image.open(img_path), lang="eng", config="–psm 3")
# print(help(pytesseract.image_to_string))

print(text)

输出的文字：

OCRQ (Optical Character Recognition): 光学字符识别，是指电子设备 (例如扫描仪或数码相机) 检查纸上打印的字符，通过检测
瞳、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。
TesseractQ : 开源的OCR识别引擎，初期Tesseract3|警由HP实验室研发，后来贡献给了开源软件业，后由Google进行改进、修


改bug、优化，重新发布。

中文宋体识别的整体效果不错！

当然，英文识别的效果最佳，这里不再展示。

Tesseract-OCR 的更多的用法详细介绍请前往链接：

https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html#s

implest-invocation-to-ocr-an-image

关于字库的训练请参考这篇网络文章：

https://blog.csdn.net/Mkite/article/details/126237898