爬虫 - Python下Tesseract Ocr引擎及安装介绍

1. Tesseract介绍

tesseract 是一个google支持的开源ocr项目

其项目地址：github.com/tesseract-o…

目前最新的源码可以在这里下载

2. Tesseract安装包下载

Tesseract的release版本下载地址：github.com/tesseract-o…

Currently, there is no official Windows installer for newer versions

意思就是官方不提供最新版windows平台安装包，只有相对略老的3.02.02版本，其下载地址：sourceforge.net/projects/te…

最新版3.03和3.05版本，都是三方维护和管理的安装包，有好几个发行机构，分别是：

• www.dropbox.com/s/8t54mz39i…

• github.com/UB-Mannheim…

• domasofan.spdns.eu/tesseract/

3. 小结

1. 官方发布的3.02版本下载地址

   downloads.sourceforge.net/project/tes…

2. 德国曼海姆大学发行的3.05版本下载地址

   digi.bib.uni-mannheim.de/tesseract/t…

3. imon Eigeldinger (@DomasoFan) 维护的另一个版本

   3.onj.me/tesseract/

   值得称道的是，这个网址里还有一个比较详细的说明

4. Tesseract ocr使用

安装之后，默认目录C:\Program Files (x86)\Tesseract-OCR，你需要把这个路径放到你操作系统的path搜索路径中，否则后面使用起来会不方便。

在安装目录C:\Program Files (x86)\Tesseract-OCR下可以看到 tesseract.exe这个命令行执行程序

tesseract 1.png output-l eng -psm 7复制代码

-psm 7 表示用单行文本识别 pagesegmode值：

• 0 =定向和脚本检测（OSD）。

• 1 =带OSD的自动页面分割。

• 2 =自动页面分割，但没有OSD或OCR

• 3 =全自动页面分割，但没有OSD。（默认）

• 4 =假设一列可变大小的文本。

• 5 =假设一个统一的垂直对齐文本块。

• 6 =假设一个统一的文本块。

• 7 =将图像作为单个文本行处理。

• 8 =把图像当作一个单词。

• 9 =把图像当作一个圆圈中的一个词来对待。

• 10 =将图像作为单个字符处理

#-l eng 代表使用英语识别