Tesseract-OCR引擎使用方法入门

小灰灰 2021-05-12 11:50 460阅读 0赞

**OCR**(Optical Character Recognition):光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。

Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。当前版本为3.02

项目**下载**地址为：[http://code.google.com/p/tesseract-ocr][http_code.google.com_p_tesseract-ocr]。

Windows **cmd**命令行使用Tesseract-OCR引擎识别验证码:

1、下载安装Tesseract-OCR引擎(3.0版本+才支持中文识别)

[tesseract-ocr-setup-3.01-1.exe][].

下载完后进行安装,默认情况下安装程序会给你配置系统环境变量,以指向安装目录（之后可以通过DOS界面在任意目录运行tesseract）。安装完成后目录如下:

[![Tesseract-OCR引擎 使用方法入门][Tesseract-OCR_wbr]][Tesseract-OCR_wbr_Tesseract-OCR_wbr]

附录:

tessdata 目录存放的是语言字库文件，和在命令行界面中可能用到的参数所对应的文件. 这个安装程序默认包含了英文字库。

如果想能识别中文，可以到[http://code.google.com/p/tesseract-ocr/downloads/list][http_code.google.com_p_tesseract-ocr_downloads_list]下载对应的语言的字库文件.

简体中文字库文件下载地址为:[http://tesseract-ocr.googlecode.com/files/chi\_sim.traineddata.gz][http_tesseract-ocr.googlecode.com_files_chi_sim.traineddata.gz] 下载完成后解压，然后将该文件剪切到tessdata目录下去就可以了。

2、使用Tessract-OCR引擎识别验证码

打开DOS界面，输入tesseract：

[![Tesseract-OCR引擎 使用方法入门][Tesseract-OCR_wbr 1]][Tesseract-OCR_wbr_Tesseract-OCR_wbr 1]

如果出现如上输出，表示安装正常。

我准备了一张验证码code.jpg放在D盘根目录下![Tesseract-OCR引擎 使用方法入门][Tesseract-OCR_wbr 2]，上图

[![Tesseract-OCR引擎 使用方法入门][Tesseract-OCR_wbr 3]][Tesseract-OCR_wbr_Tesseract-OCR_wbr 3] 
 
结果为:

[![Tesseract-OCR引擎 使用方法入门][Tesseract-OCR_wbr 4]][Tesseract-OCR_wbr_Tesseract-OCR_wbr 4]

附录:

Usage:tesseract imagename outputbase \[-l lang\] \[-psm pagesegmode\] \[configfile...\]  
pagesegmode values are:  
0 = Orientation and script detection (OSD) only.  
1 = Automatic page segmentation with OSD.  
2 = Automatic page segmentation, but no OSD, or OCR  
3 = Fully automatic page segmentation, but no OSD. (Default)  
4 = Assume a single column of text of variable sizes.  
5 = Assume a single uniform block of vertically aligned text.  
6 = Assume a single uniform block of text.  
7 = Treat the image as a single text line.  
8 = Treat the image as a single word.  
9 = Treat the image as a single word in a circle.  
10 = Treat the image as a single character.  
\-l lang and/or -psm pagesegmode must occur before anyconfigfile.

tesseract imagename outputbase \[-l lang\] \[-psm pagesegmode\] \[configfile...\]

tesseract 图片名 输出文件名 -l 字库文件 -psm pagesegmode 配置文件

例如：

**tesseract code.jpg result -l chi\_sim -psm 7 nobatch**

**-l chi\_sim** 表示用简体中文字库（需要下载中文字库文件，解压后，存放到tessdata目录下去,字库文件扩展名为 .raineddata 简体中文字库文件名为: chi\_sim.traineddata）

**-psm 7** 表示告诉tesseract code.jpg图片是一行文本 这个参数可以减少识别错误率. 默认为 3

configfile 参数值为tessdata\\configs 和 tessdata\\tessconfigs 目录下的文件名.

[http_code.google.com_p_tesseract-ocr]: http://code.google.com/p/tesseract-ocr
[tesseract-ocr-setup-3.01-1.exe]: http://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.01-1.exe
[Tesseract-OCR_wbr]: http://s11.sinaimg.cn/mw690/4aa16678te1ed4f1bc80a&690
[Tesseract-OCR_wbr_Tesseract-OCR_wbr]: /images/20210511/ff945a8262a14110a4a3a774e98ef4b9.png
[http_code.google.com_p_tesseract-ocr_downloads_list]: http://code.google.com/p/tesseract-ocr/downloads/list
[http_tesseract-ocr.googlecode.com_files_chi_sim.traineddata.gz]: http://tesseract-ocr.googlecode.com/files/chi_sim.traineddata.gz
[Tesseract-OCR_wbr 1]: http://s2.sinaimg.cn/mw690/4aa16678te1ed541d9c61&690
[Tesseract-OCR_wbr_Tesseract-OCR_wbr 1]: /images/20210511/9c213a42356c45219aa8cca671f294fe.png
[Tesseract-OCR_wbr 2]: /images/20210511/875b7d83e74345d2adbfcc26cfedc610.png
[Tesseract-OCR_wbr 3]: http://s12.sinaimg.cn/mw690/4aa16678te1ed570454ab&690
[Tesseract-OCR_wbr_Tesseract-OCR_wbr 3]: /images/20210511/49207483d8624287a934f4cff077a4cd.png
[Tesseract-OCR_wbr 4]: http://s9.sinaimg.cn/mw690/4aa16678t7cfe228f0478&690
[Tesseract-OCR_wbr_Tesseract-OCR_wbr 4]: /images/20210511/d37e2a48758f4205800da2f254809c03.png