0. 背景

最近在准备一个爬虫项目，准备阶段了解到一个文字识别工具，用在验证码方面很方便。
现在主力开发机是mac，本文流程都是基于mac。

1 安装

//安装tesseract的同时安装训练工具
brew install --with-training-tools tesseract

//安装tesseract的同时安装所有语言，语言包比较大，如果安装的话时间较长，建议不安装，按需选择
brew install  --all-languages tesseract

//安装tesseract，并安装训练工具和语言
brew install --all-languages --with-training-tools tesseract 

//只安装tesseract，不安装训练工具
brew install tesseract

2. 语言库

作为文字识别工具，需要安装识别的语言库。
下载地址为：https://github.com/tesseract-ocr/tessdata
下载需要的语言之后，放到/usr/local/Cellar/tesseract/3.05.01/share/tessdata路径下。
常用的如下：

3.Tesseract的使用

• 帮助文档

~:Tesseract pengjunzhe$ tesseract help
Usage:
  tesseract --help | --help-psm | --help-oem | --version
  tesseract --list-langs [--tessdata-dir PATH]
  tesseract --print-parameters [options...] [configfile...]
  tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
  --tessdata-dir PATH   Specify the location of tessdata path.
  --user-words PATH     Specify the location of user words file.
  --user-patterns PATH  Specify the location of user patterns file.
  -l LANG[+LANG]        Specify language(s) used for OCR.
  -c VAR=VALUE          Set value for config variables.
                        Multiple -c arguments are allowed.
  --psm NUM             Specify page segmentation mode.
  --oem NUM             Specify OCR Engine mode.
NOTE: These options must occur before any configfile.

Page segmentation modes:
  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.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
            bypassing hacks that are Tesseract-specific.
OCR Engine modes:
  0    Original Tesseract only.
  1    Cube only.
  2    Tesseract + cube.
  3    Default, based on what is available.

Single options:
  -h, --help            Show this help message.
  --help-psm            Show page segmentation modes.
  --help-oem            Show OCR Engine modes.
  -v, --version         Show version information.
  --list-langs          List available languages for tesseract engine.
  --print-parameters    Print tesseract parameters to stdout.

• 默认使用

# 默认使用eng（英文）文字库，imgName是图片地址，result是识别结果
tesseract imgName result

• 指定语言

//指定使用简体中文
tesseract -l chi_sim imgName result

//查看本地存在的语言库
tesseract --list-langs

• psm参数（page segmentation modes）
  help文档中的介绍如下

Page segmentation modes:
  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.

解释：

0 - 仅做定位和脚本检测（OSD）
1 - 使用OSD自动分页
2 - 自动分页，但是不使用OSD或者OCR
3 - 全自动分页，没使用OSD
4 - 假定是一列可变大小文本
5 - 假定是一块垂直对齐的文本
6 - 假定是一块统一的格式的文本
7 - 视图像为一行文本
8 - 视图像为一个单词
9 - 使图像为环形排布的单词
10 - 视图像为单个字符

4. 字符训练

字符训练是一个很重要，也很复杂的话题。以后深入学习了单开话题进行补充。

5. Python库

安装好tesseract之后就可以在Python中通过库文件很方便的把这个功能做到程序中了。

1. pip install pytesseract不多说。
2. 简单的源码：

# -*-encoding:utf-8-*-
import pytesseract
from PIL import Image


def main():
    # 打开图片
    image0 = Image.open("./img/0.jpg")
    image1 = Image.open("./img/1.jpg")
    # 使用默认字符集（英文）识别图片
    text0 = pytesseract.image_to_string(image0)
    # 使用默认字符集（中文）识别图片
    text1 = pytesseract.image_to_string(image1, lang='chi_sim')
    # 输出
    print(text0)
    print(text1)


if __name__ == '__main__':
    main()

3. 结果

• 英文原图：
  831524628903_.pic.jpg

• 识别结果：
  Hello worldl

• 中文原图：
  891524629631_.pic.jpg

• 识别结果：
  2018年清明节工作 日历女口下图二

可见，英文识别还可以，中文适应度不是很高。对于左右结构的字识别能力较差。