Tesseract 在 windows 下的安裝及簡單應用

Tesseract 是一個開源的 OCR 引擎，能夠識別多種格式的圖像文件並將其轉換成文本，最初由 HP 公司開發，後來由 Google 維護。下載地址：https://digi.bib.uni-mannheim.de/tesseract/

 

其中文件名中帶有 dev 的爲開發版本，不帶 dev 的爲穩定版本。

 

安裝時能夠添加支持的語言包，以下界面最後一個選項點開選擇，咱們能夠選擇簡體中文 Chiness(Simplified)。

安裝完成後還須要將安裝路徑添加至環境變量。

 

打開 cmd，輸入命令 tesseract -v，看到輸出版本信息即表明安裝成功。

 

識別命令：tesseract 圖片路徑 結果文件名 -l 語言

一、將 cmd 切換到圖片所在路徑，則能夠只輸入圖片名，不然須要全路徑

二、結果文件名不能夠加後綴，一定會自動加 .txt 後綴，若是結果文件名寫 a.txt，則最後輸出的文件名爲 a.txt.txt。

三、-l 是英文字母L，不是數字1，language的意思。

四、語言英文爲 eng，簡體中文爲 chi_sim

 

截了個谷歌的圖片來測試

輸入命令：tesseract 1.png a -l eng，結果以下，識別正確

 

咱們嘗試用簡體中文試試

識別就有誤了。

中文的識別能夠另外截圖試試，只是正確率並不高。

 

我 tesseract 是安裝在 C 盤的，在 C 盤運行命令識別沒問題，但在 D 盤打開 cmd 運行命令就報錯了：

Error opening data file ….

Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your 「tessdata」 directory.

Failed loading language ‘eng’

Teseract couldn’t load any languages!

Counld not initialize tesseract

 

意思就是要將 tessdata 的父文件夾路徑設置爲名爲 TESSDATA_PREFIX 的環境變量值。設置完成以後須要重啓電腦，不然依然報錯。