Python 3.6 集成 Tesseract OCR 的完整配置指南

Tesseract 概述

Tesseract 是一款优秀的 OCR（光学字符识别）引擎。当前面临的挑战是，网络上关于该工具的最新中文资料相对匮乏，且存在较多过时或不准确的信息。

Tesseract 是由 Google 支持的开源 OCR 项目，其官方项目地址为：https://github.com/tesseract-ocr/tesseract，目前最新的源代码可在此处下载。

在实际应用中，调用 Tesseract OCR 主要有两种途径：一是通过动态库方式调用 libtesseract，二是直接执行 tesseract.exe 程序。

本文涉及的环境配置如下：

• Python 3.6.3
• pip 9.0.1
• tesseract-ocr-setup-3.05.00dev.exe
• Windows 10

安装步骤

1. 安装 Tesseract-OCR

• Tesseract 是一个开源的 OCR 识别引擎。最初由 HP 实验室研发，随后贡献给开源社区，后经 Google 进行改进、消除 Bug 并优化后重新发布。

在安装过程中，需手动选择需要安装的语言包。其他非必需语言可不选，本文示例仅安装了中文、英文和日语。其余安装步骤与其他常规软件一致。

2. 安装 pytesseract

pip install pytesseract

环境配置

1. 设置 Tesseract-OCR 路径

默认情况下，Tesseract-OCR 不会被自动添加到系统的环境变量 Path 中。若未正确配置，在使用时会遇到 FileNotFoundError: [WinError 2] 系统找不到指定文件的错误。

解决方法如下：

• 方法一：将 C:\Program Files (x86)\Tesseract-OCR 添加到系统环境变量 Path 中（具体路径可能因安装过程而异）。
• 方法二：直接修改 pytesseract.py 文件，指定 Tesseract 可执行文件的路径。

设置训练集（tessdata）位置

下载后默认的训练集文件同样未添加到系统路径，若不处理会引发报错。

pytesseract.pytesseract.TesseractError: (1, 'Error opening data file \\Program Files (x86)\\Tesseract-OCR\\tessdata/chi_sim.traineddata')

解决方法：

设置环境变量 TESSDATA_PREFIX
C:\Program Files (x86)\Tesseract-OCR\tessdata 指向训练集目录。

实例程序

import pytesseract
from PIL import Image
image = Image.open('test.png')
code = pytesseract.image_to_string(image)
print(code)

更多参考信息请访问：https://pypi.python.org/pypi/pytesseract

总结

以上就是本文的全部内容，希望这些内容对大家的学习或工作具有参考价值。感谢支持。如需了解更多相关内容，请查看相关链接。