Python pyocr和Tesseract-OCR的安装以及使用

PyOCR是一个用于python的光学字符识别（OCR）工具包装器。也就是说，它有助于使用Python程序中的OCR工具。
安装：pip install pyocr
还需安装PIL：pip install Pillow
PIL主要用于打开图片以及一些处理
此外最重要需要安装OCR引擎，官网原文：PyOCR可以用作google的Tesseract-OCR或Cuneiform 的包装器 。它可以读取Pillow支持的所有图像类型 ，包括jpeg，png，gif，bmp，tiff和其他。它还支持边界框数据。
下载Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安装就行（window下安装）
Tesseract直接网上搜EXE安装包直接安装即可。

注意在 “Language data” 那个选项里，默认是只勾选了英文的，如果需要进行其他语言的识别，记得勾选对应的语言。

再一个是，如果需要进行相应的开发工作，建立把 “Tesseract development files” 这个选项也勾选。不过这个需要链接谷歌网址下载文件的。需跳墙。

识别中文，下载chi_sim.traineddata，然后直接放到C:\Program Files (x86)\Tesseract-OCR\tessdata文件夹下。

然后在chi_sim.traineddata(注意版本)文件目录下(../Tesseract-OCR/tessdata),使用命令行执行：

combine_tessdata -e chi_sim.traineddata chi_sim.config

执行完后，在目录下出现chi_sim.config的文件，打开该文件；
在allow_blob_division F这一行的前面加#，注释掉
即：# allow_blob_division F
然后，在执行命令行：

combine_tessdata -o chi_sim.traineddata chi_sim.config

Python代码：

# coding=utf-8
import sys


import os
os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'
try:
from pyocr import pyocr
from PIL import Image
except ImportError:
raise SystemExit
#导入库
tools = pyocr.get_available_tools()[:]
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)
#查找OCR引擎
print ("Using '%s'" % (tools[0].get_name()))
print (tools[0].image_to_string(Image.open('E:\\bb.png'),lang='chi_sim'))
#lang='chi_sim'为OCR的识别语言库。C:\Program Files (x86)\Tesseract-OCR\tessdata

由于中文识别效果不太理想，可以通过中文训练，具体参考：
http://www.cnblogs.com/wzben/p/5930538.html

参考资料：pyocr：https://github.com/jflesch/pyocr

---

欢迎加入学习交流QQ群：657341423