tesseract 安装及使用

电玩女神 2021-12-16 00:47 445阅读 0赞

### 1. 安装tesseract ###

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract下载地址：[https://digi.bib.uni-mannheim.de/tesseract/][https_digi.bib.uni-mannheim.de_tesseract]

进入下载页面，可以看到有各种.exe文件的下载列表，这里可以选择下载3.0版本。

![70][]

其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本，例如可以选择下载tesseract-ocr-setup-3.05.02.exe。

下载完成后双击，此时会出现如下图所示的页面。

![70 1][]

此时可以勾选Additional language data(download)选项来安装OCR识别支持的语言包，这样OCR便可以识别多国语言。然后一路点击Next按钮即可。

接下来，为了在python代码中使用tesseract功能，使用pip安装pytesseract：

> pip install pytesseract

### 2、配置环境变量 ###

为了在全局使用方便，比如安装路径为D:\\Program Files (x86)\\Tesseract-OCR，将该路径添加到环境变量的path中

![70 2][]

配置完成后在命令行输入tesseract -v，如果出现如下图所示，说明环境变量配置成功

![70 3][]

### 3、验证安装 ###

接下来，我们可以使用tesseract和pytesseract来分别进行测试。

我们以如下图所示的图片为样例进行测试。

![1-26.jpg][]

该图片的链接为[https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png][https_raw.githubusercontent.com_Python3WebSpider_TestTess_master_image.png]，可以直接保存或下载。

首先用命令行进行测试，将图片下载到D盘chromeDownload文件夹，保存为image.png，然后在该文件夹中打开命令行，用tesseract命令测试：

> tesseract image.png result

运行结果如下：

> D:\\chromeDownload>tesseract image.png result  
> Tesseract Open Source OCR Engine v3.05.02 with Leptonica

这里我们调用了tesseract命令，其中第一个参数为图片名称，第二个参数result 为结果保存的目标文件名称。

运行结果便是图片的识别结果：Python3WebSpider。可以在chromeDownload文件夹中看到result.txt，这时已经成功将图片文字转为电子文本了。

然后还可以利用Python代码来测试，这里就需要借助于pytesseract库了，测试代码如下：

1.   
    
    from PIL import Image
2.   
    
    import pytesseract
3.   
    
     
4.   
    
    text = pytesseract.image\_to\_string(Image.open( r'D:\\chromeDownload\\image.png'))
5.   
    
    print(text)

我们首先利用Image读取了图片文件，然后调用了pytesseract的image\_to\_string()方法，再将其识别结果输出。

运行结果如下：

> Python3WebSpider

如果成功输出结果，则证明tesseract和pytesseract都已经安装成功。

### 4、使用时遇到的坑 ###

在使用tesseract命令行进行测试时，会议开始报以下的错误

Error opening data file \\Program Files (x86)\\Tesseract-OCR\\tessdata/eng.traineddata  
Please make sure the TESSDATA\_PREFIX environment variable is set to the parent directory of your "tessdata" directory.  
Failed loading language 'eng'  
Tesseract couldn't load any languages!  
Could not initialize tesseract.

报错是意思是缺少环境变量TESSDATA\_PREFIX，导致无法加载任何语言，就不能初始化tesseract。

解决的方法也很简单，在环境变量中添加TESSDATA\_PREFIX，如下图

![70 4][]

注意：变量值中的路径为“D:/Program Files (x86)/Tesseract-OCR”，使用正斜杠“/”。windows中复制过来的路径默认是反斜杠“\\”

配置完成后，重新打开命令行，即可正常使用。

第二个坑是使用pytesseract时，出现以下错误

> Traceback (most recent call last):  
>   File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 170, in run\_tesseract  
>     proc = subprocess.Popen(cmd\_args, \*\*subprocess\_args())  
>   File "D:\\Python36\\lib\\subprocess.py", line 709, in \_\_init\_\_  
>     restore\_signals, start\_new\_session)  
>   File "D:\\Python36\\lib\\subprocess.py", line 997, in \_execute\_child  
>     startupinfo)  
> FileNotFoundError: \[WinError 2\] 系统找不到指定的文件。
> 
> During handling of the above exception, another exception occurred:
> 
> Traceback (most recent call last):  
>   File "D:/python/20180911.py", line 4, in <module>  
>     text = pytesseract.image\_to\_string(Image.open(r'D:\\chromeDownload\\image.png'))  
>   File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 294, in image\_to\_string  
>     return run\_and\_get\_output(\*args)  
>   File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 202, in run\_and\_get\_output  
>     run\_tesseract(\*\*kwargs)  
>   File "D:\\Python36\\lib\\site-packages\\pytesseract\\pytesseract.py", line 172, in run\_tesseract  
>     raise TesseractNotFoundError()  
> pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path

这就很坑，添加了全局变量，还是提示tesseract没有安装或者不在PATH中。

百度了一下，解决方案如下。

pytesseract安装后，在python的Lib目录下site-packges下会生成一个pytesseract文件夹，文件夹中找到pytesseract.py，路径为：D:\\Python36\\Lib\\site-packages\\pytesseract，使用notepad之类软件打开pytesseract.py，找到如下两行：

> \# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY  
> tesseract\_cmd = 'tesseract'

将tesseract\_cmd = 'tesseract'修改为：tesseract\_cmd = 'D:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

表示tesseract\_cmd配置的是你安装tesseract的绝对路径，这样就能找到tesseract了。修改后保存，再去运行python代码，就可以成功了。

原文地址：https://blog.csdn.net/showgea/article/detail/82656515

转载于:https://www.cnblogs.com/reform999/p/10901254.html

[https_digi.bib.uni-mannheim.de_tesseract]: https://digi.bib.uni-mannheim.de/tesseract/
[70]: /images/20211215/12053b25488843768795b444d25e2c70.png
[70 1]: /images/20211215/52a7ce10eb6a48e6a30cf2059909a2b5.png
[70 2]: /images/20211215/607deafd9aae4877a94bcc4b1649ed1d.png
[70 3]: /images/20211215/b00fdfcf84a842239a41d403a6d69aef.png
[1-26.jpg]: /images/20211215/0c0fe1bd2c214c34bf7e742637b336ef.png
[https_raw.githubusercontent.com_Python3WebSpider_TestTess_master_image.png]: https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png
[70 4]: /images/20211215/3c9c52d667854047b2a07279341d0be6.png