tesseract 安装及使用

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/

进入下载页面，可以看到有各种.exe文件的下载列表，这里可以选择下载3.0版本。

其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本，例如可以选择下载tesseract-ocr-setup-3.05.02.exe。

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
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。
————————————————
版权声明：本文为CSDN博主「showgea」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/showgea/article/details/82656515写自定义目录标题)

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎