OCR 工具tesseract初體驗

@(工具使用)[工具使用, python]

OCR即圖片上文字識別

安裝tesseract

github地址
tesseract是一個命令行程序，后面安裝的pytesseract也只是一層包裝，實際還是調用命令行

下載
windows版下載地址

安裝
下載完之后安裝時點下一步慢點，因為安裝的時候可以下載中文語言包

設置環境變量
安裝完之后需要設置兩個環境變量

1. 把安裝路徑添加到PATH環境變量
2. 設置TESSDATA_PREFIX環境變量，不然找不到語言包
   TESSDATA_PREFIX=D:\Program Files (x86)\Tesseract-OCR\tessdata

這時命令行版tesseract就可以使用了

安裝pytesseract

pip install pytesseract

測試程序：

import pytesseract
from PIL import Image# 默認英語
image = Image.open('en.png')
text = pytesseract.image_to_string(image)
print(text)print("====================")# 識別中文, 巨慢
image = Image.open('cn.png')
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)print("====================")# 設置中文和英語，識別巨慢，而且易錯
image = Image.open('en_cn_test.png')
text = pytesseract.image_to_string(image, lang='chi_sim+eng')
print(text)

測試結果：

英文測試

識別后內容

中文測試

識別后內容

中文加英文測試

識別后內容

測試結論：
英文識別能力還行，速度也不錯，很快。中文識別就很吃力了，速度慢而且識別率不高，幾乎不能直接用

參考：
Python--文字識別--Tesseract