Tesseract Ocr引擎
1、Tesseract介紹
tesseract 是一個google支持的開源ocr項目，其項目地址：https://github.com/tesseract-ocr/tesseract，目前最新的源碼可以在這里下載。
實際使用tesseract ocr也有兩種方式：1- 動態庫方式 libtesseract 2 - 執行程序方式 tesseract.exe
由於本人也是python菜鳥一個，所以方式1暫時不會，只好采取方式2。
2、Tesseract安裝包下載
Tesseract的release版本下載地址：https://github.com/tesseract-ocr/tesseract/wiki/Downloads，這里需要注意這一段話：
Currently, there is no official Windows installer for newer versions.
意思就是官方不提供最新版windows平台安裝包，只有相對略老的3.02.02版本，其下載地址：https://sourceforge.net/projects/tesseract-ocr-alt/files/。
最新版3.03和3.05版本，都是三方維護和管理的安裝包，有好幾個發行機構，分別是：
3rd party Windows exe's/installer
-
binaries compiled by @egorpugin (ref issue # 209)https://www.dropbox.com/s/8t54mz39i58qslh/tesseract-3.05.00dev-win32-vc19.zip?dl=1
You have to install VC2015 x86 redist from microsoft.com in order to run them. Leptonica is built with all libs except for libjp2k.
- http://domasofan.spdns.eu/tesseract/
總結一下：
2、德國曼海姆大學發行的3.05版本下載地址，http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.00dev.exe
3、Simon Eigeldinger (@DomasoFan) 維護的另一個版本：http://3.onj.me/tesseract/，值得稱道的是，這個網址里還有一個比較詳細的說明。
以上版本如果在下載時發現無法下載，可以首先試試迅雷，其次，可能就需要FQ了。
本人使用的是官方發布的3.02版本，也就是鏈接1.
3、Tesseract ocr使用說明
安裝之后，默認目錄C:\Program Files (x86)\Tesseract-OCR，你需要把這個路徑放到你操作系統的path搜索路徑中，否則后面使用起來會不方便。
在安裝目錄C:\Program Files (x86)\Tesseract-OCR下可以看到 tesseract.exe這個命令行執行程序。
tesseract語法如下：
例如：tesseract 1.png output-l eng -psm 7 ，表示采取單行文本方式，使用英語字庫識別1.png這個圖片文件，識別結果輸出到當前目錄output.txt文件中。
1 D:\python\lnypcg\test>tesseract 2 Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...] 3 4 pagesegmode values are: 5 0 = Orientation and script detection (OSD) only. 6 1 = Automatic page segmentation with OSD. 7 2 = Automatic page segmentation, but no OSD, or OCR 8 3 = Fully automatic page segmentation, but no OSD. (Default) 9 4 = Assume a single column of text of variable sizes. 10 5 = Assume a single uniform block of vertically aligned text. 11 6 = Assume a single uniform block of text. 12 7 = Treat the image as a single text line. #-psm 7 表示用單行文本識別 13 8 = Treat the image as a single word. 14 9 = Treat the image as a single word in a circle. 15 10 = Treat the image as a single character. 16 -l lang and/or -psm pagesegmode must occur before anyconfigfile. #-l eng 代表使用英語識別 17 18 Single options: 19 -v --version: version info 20 --list-langs: list available languages for tesseract engine
4、Tesseract ocr使用實例
現在有一個經過灰度處理之后的驗證碼文件
，在命令行中調用tesseract.exe實現默認，並把識別出來的文本輸出到output.txt文本文件中。
（如何灰度處理，在python里可以使用PIL庫，先挖個坑，下次寫。）
1 D:\python\lnypcg\test>dir 2 驅動器 D 中的卷沒有標簽。 3 卷的序列號是 36D9-CDC7 4 5 D:\python\lnypcg\test 的目錄 6 7 2016-06-02 23:28 <DIR> . 8 2016-06-02 23:28 <DIR> .. 9 2016-06-02 22:02 462 1.png 10 1 個文件 462 字節 11 2 個目錄 25,733,357,568 可用字節 12 13 D:\python\lnypcg\test>tesseract 1.png output -l eng 14 Tesseract Open Source OCR Engine v3.02 with Leptonica 15 16 D:\python\lnypcg\test>type output.txt 17 7572 18 19 20 D:\python\lnypcg\test>
總結，tesseract是一個挺不錯的OCR引擎，目前的問題是最新的中文資料相對較少，過時、不准確的信息偏多，把這幾天的琢磨的結果分享給大家，希望對大家有所幫助。