Tesseract 在 windows 下的安装及简单应用

Tesseract 是一个开源的 OCR 引擎，可以识别多种格式的图像文件并将其转换成文本，最初由 HP 公司开发，后来由 Google 维护。下载地址：https://digi.bib.uni-mannheim.de/tesseract/

其中文件名中带有 dev 的为开发版本，不带 dev 的为稳定版本。

安装时可以添加支持的语言包，如下界面最后一个选项点开选择，我们可以选择简体中文 Chiness(Simplified)。

安装完成后还需要将安装路径添加至环境变量。

打开 cmd，输入命令 tesseract -v，看到输出版本信息即代表安装成功。

识别命令：tesseract 图片路径 结果文件名 -l 语言

1、将 cmd 切换到图片所在路径，则可以只输入图片名，否则需要全路径

2、结果文件名不可以加后缀，必定会自动加 .txt 后缀，如果结果文件名写 a.txt，则最后输出的文件名为 a.txt.txt。

3、-l 是英文字母L，不是数字1，language的意思。

4、语言英文为 eng，简体中文为 chi_sim

截了个谷歌的图片来测试

输入命令：tesseract 1.png a -l eng，结果如下，识别正确

我们尝试用简体中文试试

识别就有误了。

中文的识别可以另外截图试试，只是正确率并不高。

我 tesseract 是安装在 C 盘的，在 C 盘运行命令识别没问题，但在 D 盘打开 cmd 运行命令就报错了：

Error opening data file ….

Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your “tessdata” directory.

Failed loading language ‘eng’

Teseract couldn’t load any languages!

Counld not initialize tesseract

意思就是要将 tessdata 的父文件夹路径设置为名为 TESSDATA_PREFIX 的环境变量值。设置完成之后需要重启电脑，否则依然报错。