1 场景

识别图片中的文字(识别图片中的电话号码、姓名等)

2 方案

使用Tesseract OCR软件来识别图片内容

来自官方解释：

这个包包含一个OCR引擎- libtesseract和一个命令行程序- tesseract

Tesseract支持各种输出格式:纯文本、hOCR (HTML)、PDF、不可见的纯文本PDF、TSV。主分支还实验性地支持ALTO (XML)输出。

3 windows下安装

3.1 安装

下载官网：

下载文件：

安装路径：

D:\Program Files\Tesseract-OCR

将OCR安装路径，添加到环境变量

查看当前安装版本如下：

C:\Users\admin>tesseract -v

tesseract v4.0.0.20190314

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 2.2.0

Found AVX2

Found AVX

Found SSE

3.2 中文训练集

有训练集文件，才可进行图片上的文字识别。

默认有英文训练集，可以识别图片中的英文，训练集路径如下：

D:\Program Files\Tesseract-OCR\tessdata\eng.traineddata

命令行输入tesseract --list-langs命令查看当前已按照语言包：

C:\Users\admin>tesseract --list-langs

List of available languages (2):

eng

osd

将下载的简体中文训练集文件chi_sim.traineddata，拷贝到tessdata路径下：

D:\Program Files\Tesseract-OCR\tessdata\

再次查看，支持语言，可见已支持简体中文chi_sim：

C:\Users\admin>tesseract --list-langs

List of available languages (3):

chi_sim

eng

osd

3.3 识别图片

基本语法命令：

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

如执行以下命令，选择语言为简体中文(默认为英文)：

tesseract myOcrTest.png res -l chi_sim

执行结果如下：

D:\tmp\orcTest02>tesseract myOcrTest.png res -l chi_sim

Tesseract Open Source OCR Engine v4.0.0.20190314 with Leptonica

将在同级目录下生成文件res.txt，文件内容如下：

文 字 识 别 测 试 123ceshi

同测试图片一致。

注意，解析结果将多生成一行，返回解析结果时，需去掉最后一行。

3.3 查看帮助

D:\tmp\orcTest02>tesseract --help

Usage:

tesseract --help | --help-extra | --version

tesseract --list-langs

tesseract imagename outputbase [options...] [configfile...]

OCR options:

-l LANG[+LANG] Specify language(s) used for OCR.

NOTE: These options must occur before any configfile.

Single options:

--help Show this help message.

--help-extra Show extra help for advanced users.

--version Show version information.

--list-langs List available languages for tesseract engine.