tesseract 安装及配置
pytesseract 图片识别提取
背景
工作需要，由于不能直接获取某一控件上的数字数据，因此这里尝试 ocr 来识别。
需要识别的是数字数据，且整齐，无模糊遮挡等影响因素。
引入 Tesseract 的 OCR 引擎 (Google's Tesseract-OCR Engine)，并结合 pytesseract 库 (Python-tesseract tools) 来完成图片中数字识别提取。
tesseract 安装 (windows)
下载地址
- tesseract 下载地址 (win)
- 建议下载较新的稳定版本，如
tesseract-ocr-w64-setup-v5.0.0.20190526.exe - 下载慢的请走热心网友分享的网盘下载
win 安装
- 一路下一步就行了，语言包可以先不用选择，如果选择的话会比较慢（反正我这里比较慢，翻墙也不行）
- 建议安装在默认路径下，即 C 盘，避免出现乱七八糟的问题
语言包下载
- 下载额外的需要的语言包语言包下载地址，我的需求显然不需要额外的语言包，
eng.traineddata(可识别数字及英文) 就够了 - 拷贝语言包到
tesseract安装路径下的tessdata目录下
环境配置
- 添加环境变量，
Path变量下添加：C:\Program Files\Tesseract-OCR - 添加环境变量，新建
TESSDATA_PREFIX变量，值为C:\Program Files\Tesseract-OCR\tessdata
本地测试
-
tesseract -v> tesseract -v tesseract v5.0.0.20190623 leptonica-1.78.0 libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0 Found AVX2 Found AVX Found SSE > tesseract --list-langs List of available languages (2): eng osd -
图片识别测试
tesseract imagename outputfilename [-l lang] [-psm pagesegmode] [configfile…]> tesseract test.png test -l eng Tesseract Open Source OCR Engine v5.0.0.20190623 with Leptonica识别出的结果保存在
test.txt文件中 -
错误处理
-
read_params_file: parameter not found
在 tesserdata 目录下执行如下命令（请自行替换指定语言包名）combine_tessdata -e chi_sim.traineddata chi_sim.config -
其他
请自行百度，肯定是哪里没配置好
-
pytesseract 识别提取
-
安装
pytesseract:pip install pytesseract -
安装
Pillow：pip install pillowpip list Package Version ----------- ------- Pillow 7.0.0 pip 20.0.2 pytesseract 0.3.3 setuptools 46.0.0 wheel 0.34.2# 示例，针对我的情况，识别率接近100% import pytesseract from PIL import Image im_test = Image.open('test.png') print(pytesseract.image_to_string(im_test).split()) ------------------------------------------------------------- ['10150.13', '130.27', '+1.30%']
2021.11.22更新，ddddocr
2021.11.23更新，EasyOCR，参考文章Python Easyocr 图片文字识别
pip install easyocr --use-feature=2020-resolver