OCR与Tesseract介绍

  将图片翻译成文字一般被称为光学文字识别（Optical Character Recognition，OCR）。可以实现OCR 的底层库并不多，目前很多库都是使用共同的几个底层OCR 库，或者是在上面进行定制。
  Tesseract 是一个OCR 库，目前由Google 赞助（Google 也是一家以OCR 和机器学习技术闻名于世的公司）。Tesseract 是目前公认最优秀、最精确的开源OCR 系统。
  除了极高的精确度，Tesseract 也具有很高的灵活性。它可以通过训练识别出任何字体（只要这些字体的风格保持不变就可以），也可以识别出任何Unicode 字符。

Tesseract的安装与使用

  Tesseract的Windows安装包下载地址为： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下载后双击直接安装即可。安装完后，需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示以下界面，则表示Tesseract安装完成且添加到系统变量中。

  Linux 用户可以通过apt-get 安装：

$sudo apt-get tesseract-ocr

  用Tesseract可以识别格式规范的文字，主要具有以下特点：

• 使用一个标准字体（不包含手写体、草书，或者十分“花哨的”字体）
• 虽然被复印或拍照，字体还是很清晰，没有多余的痕迹或污点
• 排列整齐，没有歪歪斜斜的字
• 没有超出图片范围，也没有残缺不全，或紧紧贴在图片的边缘
  下面将给出几个tesseract识别图片中文字的例子。
  首先是E://figures/other/poems.jpg, 输入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt， 则会将poems.jpg中的识别文字写入到poems.txt中，如下图：



  接着是稍微有点倾斜的文字图片th.jpg,识别情况如下：


可以看到识别的情况不如刚才规范字体的好，但是也能识别图片中的大部分字母。
  最后是识别简体中文，需要事先安装简体中文语言包，下载地址为：https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再讲chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目录下。我们以图片timg.jpg为例：

输入命令：

tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim

识别结果如下：

只识别错了一个字，识别率还是不错的。
  最后加一句，Tesseract对于彩色图片的识别效果没有黑白图片的效果好。

pytesseract

  pytesseract是Tesseract关于Python的接口，可以使用pip install pytesseract安装。安装完后，就可以使用Python调用Tesseract了，不过，你还需要一个Python的图片处理模块，可以安装pillow.
  输入以下代码，可以实现同上述Tesseract命令一样的效果：

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg'))

print(text)

运行结果如下：

参考文献

1. Python网络数据采集 【美】 Ryan Mitchell 人民邮电出版社
2. https://blog.csdn.net/dcrmg/article/details/78233459?locationNum=7&fps=1
3. http://www.inimei.cn/archives/297.html

注意：本人现已开通两个微信公众号： 因为Python（微信号为：python_math）以及轻松学会Python爬虫（微信号为：easy_web_scrape）， 欢迎大家关注哦~~