OCR(Optical character recognition) —— 光學文字識別，是圖像處理的一個重要分支，中文的識別具有一定挑戰性，特別是手寫體和草書的識別，是重要和熱門的科學研究方向
截止筆者發文（2019.12.25），tesseract-ocr 最新發布的穩定版本是4.1.0. 而tesseract-ocr依賴於leptonica——最新穩定版本是1.78.0
安裝說明
- Windows（下載下來一路無腦，點下一步就好）
（1）詳情請移步至如下鏈接，下載安裝：
https://github.com/UB-Mannheim/tesseract/wiki
（2）配置環境變量（跟JAVA一樣）及添加TESSDATA_PREFIX請參見：
https://www.cnblogs.com/jianqingwang/p/6978724.html
注意需要下載訓練集—traineddata：
https://github.com/tesseract-ocr/tessdata
中文請選如下4個：
chi_sim.traineddata （簡體— 對於宋體，像素>= 300dpi:識別率高達%100，同時對英文及阿拉伯數字識別率高達百分之90以上）
chi_sim_vert.traineddata （簡體，豎排）
chi_tra.traineddata （繁體）
chi_tra_vert.traineddata（繁體，豎排）【CoderBaby】
- CentOS 6 （這個網上的安裝方案很少，真正可行的基本沒有）
（1）下載Leptonica 和 Teseract 源碼
wget http://www.leptonica.org/source/leptonica-1.78.0.tar.gz
wget https://github.com/tesseract-ocr/tesseract/archive/4.1.0.tar.gz
（2）配置、編譯和安裝
leptonica
$ tar xzvf leptonica-1.78.0.tar.gz
$ cd leptonica-1.78.0
$ ./configure
$ make
$ sudo make install
Tesseract-OCR
$ tar xzf tesseract-ocr-4.1.0.tar.gz
$ cd tesseract-4.1.0
$ ./autogen.sh
$ ./configure
$ make
$ sudo make install
$ sudo ldconfig
*****************************************************************************
在安裝Tesseract-OCR過程中一步一錯，具體錯誤和解決辦法如下：
安裝：
（1）yum install tesseract
【Error】download出錯，鏡像163（可能網易的沒有）下載失敗
【Solution】更換阿里鏡像
切換到yum repo配置目錄： cd /etc/yum.repos.d
備份基礎repo: sudo mv CentOS-Base.repo CentOS-Base.repo.backup
（2）下載tesseract key校驗出錯
【Error】GPG key retrieval failed: [Errno 14] Could not open/read file:///etc/pki/rpm-gpg/RPM-GPG-KEY-EPEL-6
【Solution1】不檢查key了—— 繞過方案
編輯epel.repo: vim /etc/yum.repos.d/epel.repo
改參數： gpgcheck=1 改為 gpgcheck=1
【Solution1】導入key —— 真正解決方案
cd /etc/pki/rpm-gpg
use rpm --import http://download.fedoraproject.org/pub/epel/RPM-GPG-KEY-EPEL-6
或者（從epel下載安裝RPM package）
yum -y install http://mirror.pnl.gov/epel/6/i386/epel-release-6-8.noarch.rpm
或者
手動將key拷貝到正確目錄詳情請參考： https://unix.stackexchange.com/questions/132757/how-to-automatically-accept-epel-gpg-key
*****************************************************************************
（3）下載語言包，並且拷貝到testdata
$ wget http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz
$ tar xzf tesseract-ocr-3.02.eng.tar.gz
$ sudo cp tesseract-ocr/tessdata/* /usr/local/share/tessdata
注：如果沒有C編譯器，先安裝gcc，具體請移步參考—— https://linuxhostsupport.com/blog/how-to-install-gcc-on-centos-7/
如果安裝失敗，需要配置軟件源
使用方法參數的使用有兩種:
-
使用 -c 選項來設定單項參數的值，比如:
tesseract paper.png paper -l chi_sim -c language_model_ngram_on=1
其中，parer.png是源文件（圖片，文件完整路徑名請自行添加），paper是輸出文件名（默認為txt文件）； -l 指定訓練集（chi_sim —— 簡體中文）允許使用多個 -c 選項來設置多個參數的值。
- 將多項參數設置寫入文件，然后在識別時使用該文件，比如:
tesseract paper.png paper -l chi_sim tess.conf
(4）更簡便的方法是使用yum方式安裝 （會根據CentOS版本選擇對應的Tesseract）
yuminstallepel-release （一定要先裝，不然安裝tesseract會報錯：No package tesseract available.）yuminstalltesseract
中文包
yum
install
tesseract-langpack-chi_sim.noarch
訓練文件位於
/usr/share/tesseract/tessdata/
參考：
1）https://stackoverflow.com/questions/23792373/installing-tesseract-ocr-on-centos-6
2）http://www.zmonster.me/2015/04/17/tesseract-install-usage.html
本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文連接，否則保留追究法律責任的權利。
************************************************************************
精力有限，想法太多，專注做好一件事就行
- 我只是一個程序猿。5年內把代碼寫好，技術博客字字推敲，堅持零拷貝和原創
- 寫博客的意義在於打磨文筆，訓練邏輯條理性，加深對知識的系統性理解；如果恰好又對別人有點幫助，那真是一件令人開心的事
************************************************************************