簡述
光學字元識別（英語：Optical Character Recognition，OCR）是指對文字資料的影象檔案進行分析識別處理，獲取文字及版面資訊的過程。關於中文的識別最好的開源庫應該就是Tesseract OCR了。本文則重點介紹訓練出一份自己需要的樣本庫並識別（本文預設你已經會直接匯入官方訓練庫識別）
準備工作
1）安裝tesseract ocr引擎
以Mac為例，直接選擇homebrew命令安裝 brew install --with-training-tools tesseract
2）下載chi_sim.traindata（中文識別庫，直接放在tesseract安裝目錄的tessdata目錄下，例如/usr/local/Cellar/tesseract/4.0.0/share/tessdata））
3）下載jTessBoxEditor2.2.0
訓練步驟
1）把樣本圖片或者文字轉換成tif格式（圖片轉tif 可以直接網上搜）這裡講文字轉tif
雙擊解壓後的jTessBoxEditor.jar檔案，選擇工具欄TIFF/Box Generator，把需要轉換的文字直接拷貝到下面空白處
Output為tif檔案輸出目錄，其他基本無需修改，然後點選Generate稍等片刻即可生成生成tif檔案。
2）生成box檔案
把第二步生成的tif檔案改名 sll.normal.exp0.tif ，官網的寫法~ 然後進入tif檔案目錄下執行命令
tesseract sll.normal.exp0.tif sll.normal.exp0 -l chi_sim batch.nochop makebox1
3）選擇工具欄Box Editor，點選Open匯入第一步生成的tif檔案（會自動繫結第二步生成的box檔案）
點選文字之後可以修改識別區域寬高，x，y座標等，修改完成點選save儲存
4）執行指令碼
Mac執行 sh 指令碼檔名.sh，然後回車依次輸入sll（語言）normal（字型）
!/bin/sh
read -p "輸入你語言:" lang
echo {lang}
read -p "輸入你的字型:" font
echo {font}
echo "所以完整檔名為："
echo {lang}.{font}.exp0.tif
echo "開始。。。"
echo {font} 0 0 0 0 0 >font_properties
tesseract {lang}.{font}.exp0.tif {lang}.{font}.exp0 nobatch box.train
unicharset_extractor {lang}.{font}.exp0.box
shapeclustering -F font_properties -U unicharset {lang}.{font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset {lang}.{font}.exp0.tr
cntraining {lang}.{font}.exp0.tr
echo "開始重新命名檔案"
mv inttemp {font}.inttemp
mv normproto {font}.normproto
mv pffmtable {font}.pffmtable
mv shapetable {font}.shapetable
mv unicharset {font}.unicharset
echo "生成最終檔案"
combine_tessdata ${font}.
echo "完成"
複製程式碼執行成功之後就會生成.traineddata檔案，這個檔案即只能識別我們訓練的“識別”倆字，所以說在大小，識別速度上會大大優於官網的中文包，當然本文只是例子，實踐專案中不可能只是“識別”兩個字那麼簡單，比如中文簡體3500字，那在修改box檔案的時候確實是需要花費很久的時間的