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需要依赖leptonica，截止笔者发文，最新稳定版本是1.78.0
经过测试得出如下结论：
- 对于宋体，白色背景，非倾斜等，像素大于等于300dpi—识别率%100
- 英文和数字，识别率超过90%
- 特殊字符识别率不高
- 像素太低，识别率急剧下降
- 多种背景颜色变化，识别率极低
- 字体换成草书等，识别率大幅降低
- 电影屏幕字幕和网页截图识别率较低
- 扫描件如果字体太淡，太小，完全识别不出来
- 提高识别率，需要自己做训练集，工作量巨大的体力活（简体汉字最少6753个，混合一些复杂的，至少要10000个字符；不同字体要重新做，因为本质上是图形几何计算，国内科研院所和开源的做的不多—待确认）
转载请注明出处：https://www.cnblogs.com/NaughtyCat/p/how-to-install-tesseract-ocr-on-windows-and-centos.html
- Windows
（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
（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
$ tar xzvf leptonica-1.78.0.tar.gz
$ cd leptonica-1.78.0
$ ./configure
$ make
$ sudo make install
$ tar xzf tesseract-ocr-4.1.0.tar.gz
$ cd tesseract-4.1.0
$ ./autogen.sh
$ ./configure
$ make
$ sudo make install
$ sudo ldconfig（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- 测试数据（图片）说明及下载地址
具体说明及测试效果请参见：https://ocr.space/blog/2015/03/best-ocr-software-for-chinese.html
相关测试图片请参见：https://github.com/A9T9/OCR-Benchmark
- 如何做自己的测试数据集
请参考官网：https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02
- Java源码实现，tika集合Tesseract-OCR
（1）源码如下(支持多个图片识别）
@Test
public void testCode() throws IOException, SAXException, TikaException, InterruptedException {
List<String> fileNames = new ArrayList<>();
fileNames.add("chi_eng.png");
fileNames.add("chi_eng01.png");
fileNames.add("chi_old.png");
fileNames.add("chi-scan-75dpi.jpg");
fileNames.add("chi-scan-100dpi.jpg");
fileNames.add("chi-scan-300dpi.jpg");
fileNames.add("chi-smartphone.jpg");
fileNames.add("chi-subtitle-v1.jpg");
fileNames.add("english00.png");
fileNames.add("pdf_shaomiao.png");
fileNames.add("test.tiff");
fileNames.add("weather.png");
// 转载请注明出处：https://www.cnblogs.com/NaughtyCat/p/how-to-install-tesseract-ocr-on-windows-and-centos.html
TesseractOCRParser parser = new TesseractOCRParser();
TesseractOCRConfig config = new TesseractOCRConfig();
// 设置简体中文训练集
config.setLanguage("chi_sim");
// 设置Tesseract 安装路径
config.setTesseractPath("C:/Program Files/Tesseract-OCR");
// 设置train data 路径
config.setTessdataPath("C:/Program Files/Tesseract-OCR/tessdata");
ParseContext context = new ParseContext();
context.set(TesseractOCRConfig.class, config);
context.set(TesseractOCRParser.class, parser);
fileNames.forEach(filename -> {
BodyContentHandler handler = new BodyContentHandler();
File file = new File("E:/tika/testData" + File.separator + filename);
if (file.exists()) {
Metadata metadata = new Metadata();
try (InputStream stream = new FileInputStream(file)) {
parser.parse(stream, handler, metadata, context);
} catch (Exception e) { }
handler.toString();
}
});
}
}
(2)原始图片及效果
转换效果如下图：
参考：
1）https://*.com/questions/23792373/installing-tesseract-ocr-on-centos-6
2）http://www.zmonster.me/2015/04/17/tesseract-install-usage.html
*****************************************************************************************************
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
*****************************************************************************************************