mac Tesseract识别图片中的文字 以及python调用

介绍

Tesseract是一个开源的OCR引擎，能识别100多种语言（中，英，韩，日，德，法...等等），但是Tesseract对手写的识别能力较差。

安装

如果只是识别汉字，也不进行训练，可以不安装训练工具，仅执行 brew install tesseract

//只安装tesseract，不安装训练工具
brew install tesseract

//安装tesseract的同时安装训练工具
brew install --with-training-tools tesseract
 
//安装tesseract的同时安装所有语言，语言包比较大，如果安装的话时间较长，建议不安装，按需选择
brew install  --all-languages tesseract
 
//安装tesseract，并安装训练工具和语言
brew install --all-languages --with-training-tools tesseract 

下载语言库

全部语言库下载地址:https://github.com/tesseract-ocr/tessdata

根据自己的需求选择所要的语言库，在这里我们选择的是简体中文所以选择的库是：
chi_sim.traineddata https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata
将文件拷贝到到：/usr/local/Cellar/tesseract/4.0.0_1/share/tessdata  目录下

使用

tesseract --help 查看可用接口

查看本地存在的语言库

tesseract --list-langs

命令调用

一般使用。默认使用eng文字库，接下来的参数是图片地址；eng_result为存放识别结果txt文件

以下为执行命令。以及执行结果和识别的图片样例。准确率很高的哦。

tesseract /Users/waldenz/Documents/Work/doc/eng_news.png eng_result

-l chi_sim为指定使用中文简体，

tesseract -l chi_sim  /Users/waldenz/Documents/Work/doc/44.jpg result
#如果为多语言 用+号连接
tesseract -l chi_sim+eng .......

python调用源码

源码就比较简单了， 一句话搞定

# 首先安装两个包
# pip install pytesseract
# pip install Pillow

from PIL import Image
import pytesseract

# 指定图片路径和识别的语言
text = pytesseract.image_to_string(Image.open(
    '/Users/waldenz/Documents/Work/doc/55.jpg'), lang='chi_sim')
print(text)

# 传入图片链接，识别图片
from PIL import Image
import pytesseract
import requests
from io import BytesIO

image_url = "https://ww1.sinaimg.cn/bmiddle/74c23d97ly1g2g46o05g7j20f40qodhu.jpg"
html = requests.get(image_url)
# open 图片链接中的图片流
image = Image.open(BytesIO(html.content))
text = pytesseract.image_to_string(image, lang='chi_sim+eng')
print(text)

 

步骤参考： https://blog.youkuaiyun.com/u010670689/article/details/78374623