tesseract安装及配置

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/

下载完成后双击，此时会出现如下图所示的页面。

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

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

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。

该图片的链接为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：

from PIL import Image
import pytesseract
text = pytesseract.image_to_string(Image.open(r'D:\chromeDownload\image.png'))
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

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。