Tesseract-OCR 4.1.0 安装和使用— windows及CentOS

OCR(Optical character recognition) —— 光学文字识别，是图像处理的一个重要分支，中文的识别具有一定挑战性，特别是手写体和草书的识别，是重要和热门的科学研究方向

截止笔者发文（2019.12.25），tesseract-ocr 最新发布的稳定版本是4.1.0. 而tesseract-ocr依赖于leptonica——最新稳定版本是1.78.0

安装说明

• Windows（下载下来一路无脑，点下一步就好）

（1）详情请移步至如下链接，下载安装：

https://github.com/UB-Mannheim/tesseract/wiki

（2）配置环境变量（跟JAVA一样）及添加TESSDATA_PREFIX请参见：

https://www.cnblogs.com/jianqingwang/p/6978724.html

注意需要下载训练集—traineddata：

https://github.com/tesseract-ocr/tessdata

中文请选如下4个：

chi_sim.traineddata （简体— 对于宋体，像素>= 300dpi:识别率高达%100，同时对英文及阿拉伯数字识别率高达百分之90以上）
chi_sim_vert.traineddata （简体，竖排）
chi_tra.traineddata （繁体）
chi_tra_vert.traineddata（繁体，竖排）【CoderBaby】

• CentOS 6 （这个网上的安装方案很少，真正可行的基本没有）

（1）下载Leptonica 和 Teseract 源码

wget http://www.leptonica.org/source/leptonica-1.78.0.tar.gz
wget https://github.com/tesseract-ocr/tesseract/archive/4.1.0.tar.gz

（2）配置、编译和安装

leptonica

 

$ tar xzvf leptonica-1.78.0.tar.gz
$ cd leptonica-1.78.0
$ ./configure
$ make
$ sudo make install



Tesseract-OCR


$ tar xzf tesseract-ocr-4.1.0.tar.gz
$ cd tesseract-4.1.0
$ ./autogen.sh
$ ./configure
$ make
$ sudo make install
$ sudo ldconfig

*****************************************************************************

在安装Tesseract-OCR过程中一步一错，具体错误和解决办法如下：

安装：

（1）yum install tesseract

【Error】download出错，镜像163（可能网易的没有）下载失败

【Solution】更换阿里镜像

切换到yum repo配置目录： cd /etc/yum.repos.d

备份基础repo: sudo mv CentOS-Base.repo CentOS-Base.repo.backup

（2）下载tesseract key校验出错

【Error】GPG key retrieval failed: [Errno 14] Could not open/read file:///etc/pki/rpm-gpg/RPM-GPG-KEY-EPEL-6

【Solution1】不检查key了—— 绕过方案

编辑epel.repo: vim /etc/yum.repos.d/epel.repo 

改参数： gpgcheck=1 改为 gpgcheck=1

【Solution1】导入key —— 真正解决方案

cd /etc/pki/rpm-gpg
use rpm --import http://download.fedoraproject.org/pub/epel/RPM-GPG-KEY-EPEL-6 

或者（从epel下载安装RPM package）
yum -y install http://mirror.pnl.gov/epel/6/i386/epel-release-6-8.noarch.rpm

或者
手动将key拷贝到正确目录

详情请参考： https://unix.stackexchange.com/questions/132757/how-to-automatically-accept-epel-gpg-key

*****************************************************************************

（3）下载语言包，并且拷贝到testdata

$ wget http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz
$ tar xzf tesseract-ocr-3.02.eng.tar.gz
$ sudo cp tesseract-ocr/tessdata/* /usr/local/share/tessdata


注：如果没有C编译器，先安装gcc，具体请移步参考—— https://linuxhostsupport.com/blog/how-to-install-gcc-on-centos-7/
如果安装失败，需要配置软件源

使用方法

参数的使用有两种:

• 使用 -c 选项来设定单项参数的值，比如:

  tesseract paper.png paper -l chi_sim -c language_model_ngram_on=1
  其中，parer.png是源文件（图片，文件完整路径名请自行添加），paper是输出文件名（默认为txt文件）； -l 指定训练集（chi_sim —— 简体中文）

  允许使用多个 -c 选项来设置多个参数的值。

• 将多项参数设置写入文件，然后在识别时使用该文件，比如:

　　tesseract paper.png paper -l chi_sim tess.conf

---

(4）更简便的方法是使用yum方式安装
yum install epel-release
yum install tesseract

 中文包

 yum install tesseract-langpack-chi_sim.noarch

 训练文件位于

 /usr/share/tesseract/tessdata/

 

参考：

1）https://stackoverflow.com/questions/23792373/installing-tesseract-ocr-on-centos-6

2）http://www.zmonster.me/2015/04/17/tesseract-install-usage.html

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

************************************************************************

精力有限，想法太多，专注做好一件事就行

• 我只是一个程序猿。5年内把代码写好，技术博客字字推敲，坚持零拷贝和原创
• 写博客的意义在于打磨文笔，训练逻辑条理性，加深对知识的系统性理解；如果恰好又对别人有点帮助，那真是一件令人开心的事

************************************************************************