ubuntu: 16.04
Tesseract: 4.0.0-beta-1 版本

安装Tesseract

安装Tesseract 4.0.0-beta-1 版本，方法来自官方wiki: https://github.com/tesseract-ocr/tesseract/wiki

Tesseract 4.0.0-beta-1包含LSTM引擎和相关的训练数据。

安装过程：

1
2
3
4
sudo add-apt-repository ppa:alex-p/tesseract-ocr
sudo apt-get update
sudo apt-get install tesseract-ocr
sudo apt install libtesseract-dev

安装过程中我的会卡在某个地方，多等一会就可以了。

检查是否安装成功：tesseract --version， 返回信息如下:

1
2
3
4
5
6
7
tesseract 4.0.0-beta.1
 leptonica-1.75.3
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.4.2) : libpng 1.2.54 : libtiff 4.0.6 : zlib 1.2.8 : libwebp 0.4.4 : libopenjp2 2.1.0

 Found AVX2
 Found AVX
 Found SSE

安装成功，不过因为默认的没有带中文语言包，对于中文识别不了，只能识别数字和英文，所以下一步安装中文语言包。

所有语言包地址： https://github.com/tesseract-ocr/tessdata_best

中文语言包地址：https://github.com/tesseract-ocr/tessdata_best/blob/master/chi_sim.traineddata

将中文语言包下载下来，放到/usr/share/tesseract-ocr/4.00/tessdata/这个目录下，然后用tesseract --list-langs检查安装过的语言包：

1
2
3
4
5
tesseract --list-langs
List of available languages (3):
eng
chi_sim
osd

小测试

将Tesseract和Python结合起来，还需要安装两个包，一个是pillow，另一个是pytesseract，用pip install即可

要测试的图片：

test1.jpg
test2.png
test3.jpg
test4.png

分别是4张测试图片，最后一张是中文的。

测试代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from PIL import Image
import pytesseract


class Languages:
    CHS = 'chi_sim'
    ENG = 'eng'


def img_to_str(image_path, lang=Languages.ENG):
    return pytesseract.image_to_string(Image.open(image_path), lang)


print(img_to_str('test1.jpg', lang=Languages.ENG))
print(img_to_str('test2.png', lang=Languages.ENG))
print(img_to_str('test3.jpg', lang=Languages.ENG))
print(img_to_str('test4.png', lang=Languages.CHS))

测试结果：

测试结果

可以看到测试的有些是错误的，不过大部分还是正确的。