Python pyocr和Tesseract-OCR的安裝以及使用

歡迎加入學習交流QQ群：657341423

---

PyOCR是一個用於python的光學字元識別（OCR）工具包裝器。也就是說，它有助於使用Python程式中的OCR工具。
安裝：pip install pyocr
還需安裝PIL：pip install Pillow
PIL主要用於開啟圖片以及一些處理
此外最重要需要安裝OCR引擎，官網原文：PyOCR可以用作google的Tesseract-OCR或Cuneiform 的包裝器 。它可以讀取Pillow支援的所有影象型別 ，包括jpeg，png，gif，bmp，tiff和其他。它還支援邊界框資料。
下載Tesseract-OCR引擎，注意要3.0以上才支援中文哦，按照提示安裝就行（window下安裝）
Tesseract直接網上搜EXE安裝包直接安裝即可。

注意在 “Language data” 那個選項裡，預設是隻勾選了英文的，如果需要進行其他語言的識別，記得勾選對應的語言。

再一個是，如果需要進行相應的開發工作，建立把 “Tesseract development files” 這個選項也勾選。不過這個需要連結谷歌網址下載檔案的。需跳牆。

識別中文，下載chi_sim.traineddata，然後直接放到C:\Program Files (x86)\Tesseract-OCR\tessdata資料夾下。

然後在chi_sim.traineddata(注意版本)檔案目錄下(…/Tesseract-OCR/tessdata),使用命令列執行：

combine_tessdata -e chi_sim.traineddata chi_sim.config

執行完後，在目錄下出現chi_sim.config的檔案，開啟該檔案；
在allow_blob_division F這一行的前面加#，註釋掉
即：# allow_blob_division F
然後，在執行命令列：

combine_tessdata -o chi_sim.traineddata chi_sim.config

Python程式碼：

# coding=utf-8
import sys


import os
os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'
try:
    from pyocr import pyocr
    from PIL import Image
except ImportError:
    raise SystemExit
#匯入庫
tools = pyocr.get_available_tools()[:]
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)
#查詢OCR引擎
print ("Using '%s'" % (tools[0].get_name()))
print (tools[0].image_to_string(Image.open('E:\\bb.png'),lang='chi_sim'))
#lang='chi_sim'為OCR的識別語言庫。C:\Program Files (x86)\Tesseract-OCR\tessdata

由於中文識別效果不太理想，可以通過中文訓練，具體參考：
http://www.cnblogs.com/wzben/p/5930538.html

參考資料：pyocr：https://github.com/jflesch/pyocr

---

歡迎加入學習交流QQ群：657341423