1.OCR與tesseract簡介
将圖檔翻譯成文字一般被稱為光學文字識别（Optical Character Recognition，OCR）。可以實作OCR 的底層庫并不多，目前很多庫都是使用共同的幾個底層OCR 庫，或者是在上面進行定制。
Tesseract 是一個OCR 庫，目前由Google 贊助（Google 也是一家以OCR 和機器學習技術聞名于世的公司）。Tesseract 是目前公認最優秀、最精确的開源OCR 系統。
用Tesseract可以識别格式規範的文字，主要具有以下特點：
• 使用一個标準字型（不包含手寫體、草書，或者十分“花哨的”字型）
• 雖然被影印或拍照，字型還是很清晰，沒有多餘的痕迹或污點
• 排列整齊，沒有歪歪斜斜的字
• 沒有超出圖檔範圍，也沒有殘缺不全，或緊緊貼在圖檔的邊緣
2.tesseract安裝與使用
Tesseract的Windows安裝包下載下傳位址為： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下載下傳後輕按兩下直接安裝即可。
安裝的時候要注意，tesseract的安裝并不預設安裝什麼語言，如果自己需要簡體中文的語言包，那麼就不能一直點next點到finish。如下圖，我安裝了MATH和簡體中文包。
安裝完後，需要将Tesseract添加到系統變量中。在CMD中輸入tesseract -v, 如顯示以下界面，則表示Tesseract安裝完成且添加到系統變量中。
添加系統變量過程：把tesseract安裝位置加入到環境變量中，我的安裝位置是“C:\Program Files (x86)\Tesseract-OCR”如下圖所示
添加環境變量如下圖所示
輕按兩下打開“path”，把剛才的安裝路徑加入到path中，注意，添加的時候開頭用“;”跟之前的變量隔開，結尾以“;”結束。下面是我的配置資訊。
打開DOS指令終端，輸入：“tesseract -v”可以看到版本資訊，
如下圖
如果報錯，估計是環境變量沒配好。
注意：我的dos指令終端打開路徑是“C：\WINDOWS\system32”,在這個路徑下安裝成功，是以使用的時候也一定在這個路徑下打開。
如果打開的是使用者名終端路徑，會報錯，我就遇到這個問題，如下圖。
Linux 使用者可以通過apt-get 安裝“
$sudo apt-get tesseract-ocr
”。
使用方法：将圖檔放到E盤的figures/other檔案夾下，目标：生成對應txt文本，打開DOS輸入指令行“tesseract E://figures/other/poems.jpg E://figures/other/poems”
如圖所示
結果如下所示：
其他結果例子如下所示：
可以看到識别的情況不如剛才規範字型的好，但是也能識别圖檔中的大部分字母。
如果是識别簡體中文，需要事先安裝簡體中文語言包，下載下傳位址為：https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再講chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下。（我這沒能成功）
3.python
pytesseract是Tesseract關于Python的接口，可以使用pip install pytesseract安裝。安裝完後，就可以使用Python調用Tesseract了，不過，你還需要一個Python的圖檔處理子產品，可以安裝pillow. 1. 用Python提取圖檔中的文字，用到的工具包有PIL ,pytesseract,tesseract-ocr.
注意：
（1）代碼就幾行，但是庫的安裝相對麻煩一點，首先是PIL庫安裝，有的電腦可以直接從PYCHARM庫裡直接導入，但是大部分的電腦是安裝不了的，可以采取兩種方式一種是用pip install PIL這種方式一般比較慢，還有一種方法就是在PYCHARM庫裡面直接安裝pillow-PIL安裝成功後就不會報錯了。
然後就是pytesseract庫的安裝，在pycharm庫裡面可以直接搜尋到然後安裝。這兩個庫安裝完成後運作代碼還是會報錯：‘tesseract is not installed or it's not in your path’，原因是沒有找到 Tesseract-OCR\tesseract.exe 的位置，需要先下載下傳tesseract.exe具體安裝參考https://blog.csdn.net/e8714614luan/article/details/103974924?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
安裝完成後打開pytesseract源碼查找 tesseract_cmd = 'tesseract'，修改成
紅色方框裡面是剛才安裝的目錄。
然後再運作代碼：
from PIL import Image
import pytesseract
images=Image.open('003.jpg')
print(images.size)
text=pytesseract.image_to_string(images)
print(text) 003.jpg
提取結果
- 如果要提取中文文字還需安裝相關的新的庫，把下載下傳的中文庫放在 Tesseract-OCR 安裝目錄下的 tessdata 檔案夾中。
- 下載下傳連結：https://pan.baidu.com/s/1GfspC5uef73B2Oa8YudBgQ
import pytesseract
from PIL import Image
im_en = Image.open('003.jpg')
im_ch = Image.open('004.jpg')
print('========識别字母========')
print(pytesseract.image_to_string(im_en), '\n\n')
print('========識别中文========')
print(pytesseract.image_to_string(im_ch, lang='chi_sim')) 結果：