1、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,下載后直接安裝即可,但是要記得你的安裝目錄,我們等會配置環境變量要用。
如果不是做英文的圖文識別,還需要下載其他語言的識別包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
或者直接我的百度雲盤:鏈接: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
我的是安裝在C:\Program Files (x86)\Tesseract-OCR,界面如下:
將“F:\Tesseract-OCR”添加到環境變量中。如圖:
增加一個TESSDATA_PREFIX變量名,變量值還是我的安裝路徑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,可以看到版本信息
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,比如我們轉換文件為test.png(圖片文件允許多種格式),位於C:\Users\Lian\Desktop\test;然后在命令行中輸入
tesseract test.png output_1 –l eng
【語法】: tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]
imagename為目標圖片文件名,需加格式后綴;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則默認為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,按上面情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,默認情況下是在tesseract安裝的目錄,在環境變量中設置TESSDATA_PREFIX的環境變量為testdata所在的目錄即可。 重新運行命令即可正常使用。