python实现中文图片文字识别--OCR about chinese text--tesseract

0.我的环境：

win7 32bits

python 3.5

pycharm 5.0

1.相关库

安装pillow：

pip install pillow

安装tesseract：

tesseract-ocr-setup-3.02.02.exe

自带了英文语言包，如果需要中文语言包往下找即可。

或者在安装的时候，在选项lang处，点选chi-sim即可。

安装完毕后，会儿自动加入系统环境变量中。

安装pytesseract：

pip install pytesseract

2.修改pytesseract.py原文件

# tesseract_cmd = ‘tesseract‘

tesseract_cmd = ‘C:/Program Files (x86)/Tesseract-OCR/tesseract.exe‘

#如果不修改，会报错：FileNotFoundError: [WinError 2] 系统找不到指定的文件。

#f = open(output_file_name)

f = open(output_file_name, encoding=‘utf-8‘)

#如果不修改，会儿报错：UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xyy in position xxx: illegal multibyte sequence

3.小程序，测试一下

 1 #coding:utf-8
 2 #Test one page
 3 import pytesseract
 4 from PIL import Image
 5
 6 def processImage():
 7     image = Image.open(‘test.png‘)
 8
 9     #背景色处理，可有可无
10     image = image.point(lambda x: 0 if x < 143 else 255)
11     newFilePath = ‘raw-test.png‘
12     image.save(newFilePath)
13
14     content = pytesseract.image_to_string(Image.open(newFilePath), lang=‘eng‘)
15     #中文图片的话，是lang=‘chi_sim‘
16     print(content)
17
18 processImage()