聊一聊调试Tesseract-OCR和pytesseract过程中遇到的DPI的坑

环境

OS：windows 10
python：3.9.4
tesseract：v5.0.0-alpha.20200223
pytesseract：0.3.7
Pillow：8.2.0
fonttools：4.22.0

最近在做python爬虫项目的过程中，遇到了woff字体加密的页面需要破解。基本上解决方案就两种，一是将字体文件解析xml，根据xml中每个字的笔画数据特点识别出文字；二是用OCR直接识别文字；我选的是第二种，通用性更强一些。具体过程：

1、安装Tesseract-OCR
程序和语言模块都从这里下载：https://github.com/tesseract-ocr/tesseract
用户手册：https://tesseract-ocr.github.io/tessdoc/Home.html
我装的版本是：tesseract v5.0.0-alpha.20200223，安装在C:\Program Files\Tesseract-OCR
软件安装完毕后，需要检查一下环境变量是否设置好：
TESSDATA_PREFIX，路径指向"C:\Program Files\Tesseract-OCR\tessdata"文件夹
新建path，指向C:\Program Files\Tesseract-OCR

2、安装pytesseract、Pillow和fonttools
pip install pytesseract
安装完毕后修改pytesseract.py文件，tesseract_cmd = ‘C:/Program Files/Tesseract-OCR/tesseract.exe’
pip install pillow
pip install fonttools

3、测试
将一张待识别图片拷贝到D盘根目录，然后打开PowerShell执行"tesseract d:\temp.png 1"，打开d:\1.txt，发现识别有错误，我只需要做数字字符的识别，所以再加个参数变成这样“tesseract .\temp.png 1 digits”，完美识别

4、程序

# -*- coding:utf8 -*-

from PIL import Image, ImageDraw, ImageFont
from fontTools.ttLib import TTFont
import pytesseract


def DrawFont(font, char):
    s = font.getsize(char)
    image = Image.new('RGB', (s[0], s[1] + 10), color='white')
    draw = ImageDraw.Draw(image)
    draw.text((0, 0), char, font=font, fill='black')
    return image

if __name__ == '__main__':
	# 打开字体文件
    font = ImageFont.truetype(r'0f52e9f5.woff'