tesseract 编译与使用（windows）

tesseract是google的一个开源OCR项目，项目地址已经迁移到github（现在 2016/09），地址 https://github.com/tesseract-ocr/tesseract

首先使用git将代码clone到本地。使用最新的commit， SHA-1: c943fc1a339d6378f34cccf4ff96949adb2f37ec

编译步骤参考 https://github.com/tesseract-ocr/tesseract/wiki/Compiling

下面是详细步骤和相关问题解决方法

我使用的VS2010

1.安装cmake 并添加到环境变量.下载地址 https://cmake.org/download/

2.安装cppan 并添加到环境变量,下载地址 https://cppan.org/client/cppan-master-win32-client.zip

3.在你本地的源码目录tesseract下执行下列命令

cppan
mkdir build && cd build
cmake .. -DSTATIC=1

　

注意：cppan执行过程中可能需要FANQIANG。

4.在tesseract\build目录下生成了项目文件，使用VS打开tesseract.sln，如下

启动项目是ALL_BUILD,解决方案配置我使用的是 Release。开始编译，当然这过程中会出现一大堆错误和警告，不用理会静静等待编译完成

1.使用可以转换编码格式的工具，将 tesseract\ccmain\equationdetect.cpp 的格式转化下。 我使用的是 Notepad ++ ，格式->转为 ANSI 编码格式

原因：tesseract的源文件的编码格式是UTF-8的，但是中文系统下VS里的代码页编码格式是GB2312

2.bool相关，根据错误信息定位到pvt.cppan.demo.gif这个项目，我的是 pvt.cppan.demo.gif-5.1.4.vcxproj ，双击打开之，然后在项目中找到 stdbool.h，然后将

#define bool    _bool

更换为

#define bool    int

3. snprintf相关，根据错误信息定位到pvt.cppan.demo.tiff这个项目，我的是 pvt.cppan.demo.tiff-4.0.6，双击打开之，然后在项目中找到  tiffiop.h ，定位到

#if !defined(HAVE_SNPRINTF) && !defined(HAVE__SNPRINTF)
#undef snprintf

将下面的3行换成

#define snprintf _snprintf
//extern int snprintf(char* str, size_t size, const char* format, ...);
#endif

然后切换到 tesseract.sln ，清理解决方案重新编译一遍。

然后将 tesseractmain 设为启动项目，编译。

编译步骤到此结束，可执行文件在 tesseract\build\bin\Release 下，但是现在还不能直接用，没有语言包。

语言包下载地址

英文 https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddata
简中 https://github.com/tesseract-ocr/tessdata/raw/master/chi_sim.traineddata 
繁中 https://github.com/tesseract-ocr/tessdata/raw/master/chi_tra.traineddata

创建一个tessdata目录，和tesseract.exe同级,将下载的语言包复制到tessdata目录下。然后打开cmd，执行命令就可以看到结果

tesseract.exe test.png -l eng+chi_sim result

test.png 是待识别的图片

-l eng+chi_sim 指定识别语言为英文和简体中文，多语言使用+连接

result 指定输出的文本文件

更多的命令请参考 https://github.com/tesseract-ocr/tesseract/wiki/Command-Line-Usage