圖片文字識別

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

一、下載安裝包

根據https://github.com/tesseract-ocr/tesseract/wiki，我找到非官方的安裝包，好像我只看到64位的安裝包http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下載後直接安裝便可，可是要記得你的安裝目錄，咱們等會配置環境變量要用。

若是不是作英文的圖文識別，還須要下載其餘語言的識別包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

簡體字識別包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁體字識別包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

或者直接個人百度雲盤：連接：tesseract 密碼：tmdm

第二步：安裝

直接執行下載好的tesseract-ocr-setup-4.0.0-alpha.20180109.exe，下一步、下一步安裝。安裝過程當中，會讓你安裝額外的語言包，可根據選擇下載。

第三步：配置環境變量

個人是安裝在C:\Program Files (x86)\Tesseract-OCR，界面以下：

 

將「F:\Tesseract-OCR」添加到環境變量中。如圖：

 

增長一個TESSDATA_PREFIX變量名，變量值仍是個人安裝路徑F:\Tesseract-OCR\tessdata這是將語言字庫文件夾添加到變量中;

 

使用
打開命令終端，輸入：tesseract -v，能夠看到版本信息

 

用命令tesseract --list-langs來查看Tesseract-OCR支持語言。

 

將命令行切換至目標圖像文件目錄，好比咱們轉換文件爲test.png（圖片文件容許多種格式），位於C:\Users\Lian\Desktop\test；而後在命令行中輸入

tesseract test.png output_1 –l eng
【語法】:  tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename爲目標圖片文件名，需加格式後綴；outputbase是轉換結果文件名；lang是語言名稱（在Tesseract-OCR中tessdata文件夾可看到以eng開頭的語言文件eng.traineddata），如不標-l eng則默認爲eng。

 

打開文件output_1.txt，發現tesseract成功的將圖像轉換成152408。

 

遇到的問題：
問題1：

 

沒有配置環境變量，按上面狀況將環境變量配置好

問題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. 

   錯誤信息的關鍵詞是tesseract_prefix的環境變量設置。

解決辦法：  找到testData所在的目錄，默認狀況下是在tesseract安裝的目錄，在環境變量中設置TESSDATA_PREFIX的環境變量爲testdata所在的目錄便可。 從新運行命令便可正常使用。
https://www.jianshu.com/p/96b95a6c9210

from PIL import Image import pytesseract #上面都是導包，只須要下面這一行就能實現圖片文字識別 text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim') print(text) 

咱們以識別詩詞爲例
下面是咱們要識別的圖片

 

denggao.JPEG

先看下效果圖

 

圖片文字識別.gif

咱們運行代碼後識別的結果,有幾個字沒有正確識別，可是大多數字都能識別出來。

風急天高猿嘯哀 渚芸胄芳少白鳥飛鳳
無邊落木蕭蕭下, 不盡長量工盲袞宕袞來
萬里悲秋常1乍窨, 百年多病獨登氤
艱難苦恨擎霜量 漂倒新停澍酉帆

一行代碼就能識別圖片，咱們背後要作些準備工做的

• 這裏咱們須要用到兩個庫：pytesseract和PIL
• 同時咱們還須要安裝識別引擎tesseract-ocr

下面就來說講這幾個庫的安裝，由於只有這幾個庫安裝好之後Python才能實現一行代碼實現圖片文字識別

一，pytesseract和PIL的安裝

安裝這兩個包能夠藉助pip

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

• 2，若是你用的pycharm編輯器，就能夠直接藉助pycharm實現快速安裝。
  在pycharm的Settings設置頁按照下面步驟操做

  
  
   

  

  pycharm用pip安裝庫.png
  
  

  這樣就能成功安裝pytesseract，安裝PIL只須要在上面第三步裏搜索PIL並點擊安裝便可

  
  
   

  

  安裝成功.png

這時咱們安轉好了庫，運行下面代碼

from PIL import Image import pytesseract text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim') print(text) 

會報下面錯誤，錯誤緣由是：沒有安裝識別引擎tesseract-ocr

 

2.png

二，安裝識別引擎tesseract-ocr

• 1.下載下面的安裝包，而後直接點擊安裝便可
  tesseract-ocr安裝包和中文語言包

解壓安裝tesseract-ocr後作以下操做，就能夠支持中文識別了。由於tesseract-ocr默認不支持中文識別。

 

支持中文識別.png

• 2，安裝完成tesseract-ocr後，咱們還須要作一下配置
  在C:\Users\huxiu\AppData\Local\Programs\Python\Python35\Lib\site-packages\pytesseract找到pytesseract.py打開後作以下操做

# 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' 

也能夠經過pycharm快速打開pytesseract.py

 

打開pytesseract包.png

 

6.png

 

關聯OCR和pytesseract.png

至此咱們全部的配置就完成了，運行下面代碼就能夠把杜甫的登高這首圖片詩解析成文字了

 

項目源碼.png