开源 OCR 工具 tesseract v4.1.0 的 Docker 镜像制作与使用

一 背景

在日常的一些工作中，偶尔也需要我们把图片转换为文字。目前大部分办公软件还无法实现类似的功能，因此遇到类似的问题时，我们只能自己动手解决。

Tesseract（识别引擎），一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。在 GitHub 上我们目前能看到的最新版本为：v4.1.0。 本文以 CentOS7.6.1810 为例对 Tesseract 的安装及使用进行演示。为了减少大家重复造*，本文已将安装过程整理为 Docker 镜像，需要的小伙伴直接使用文中的 Dockerfile 即可构建镜像，进而实现开箱即用。

二 镜像的构建过程

2.1 准备阶段

将 Dockerfile 及相关的资源包放到同一目录。构建目录结构：

build/
├── 4.1.0.tar.gz
├── Dockerfile
├── leptonica-1.78.0.tar.gz
└── tesseract_langs.tar.gz

2.2 构建命令

docker build -t tesseract-ocr:0903.1.00 .

2.3 Dockerfile

FROM  centos:7.6.1810
LABEL ANTHOR="IVAN DU" VERSION="0903.0.01" BUILD_DATE="2019-09-03" \
      RESOURCES="https://github.com/tesseract-ocr/tesserac http://www.leptonica.org/index.html https://github.com/tesseract-ocr/tessdata"
ENV   LD_LIBRARY_PATH="/usr/local/lib" \
      LIBLEPT_HEADERSDIR="/usr/local/include" \
      PKG_CONFIG_PATH="/usr/local/lib/pkgconfig" \
      TESSDATA_PREFIX="/usr/local/share/tessdata"
ADD   4.1.0.tar.gz /
ADD   leptonica-1.78.0.tar.gz /
ADD   tesseract_langs.tar.gz /usr/local/share/tessdata/
RUN   yum -y install file automake libjpeg-devel libpng-devel libtiff-devel zlib-devel libtool gcc-c++ make \
      && cd /leptonica-1.78.0 && ./configure && make && make install \
      && cd /tesseract-4.1.0 && ./autogen.sh && ./configure && make && make install \
      && rm -rf /leptonica-1.78.0 /tesseract-4.1.0

2.4 文章相关资源

本文涉及到的所以资源均已上传至 CSDN ，如有需要，自行下载即可。

2.5 验证

docker run --rm -v ${PWD}:/data ace78e7ad3b5 tesseract /data/3.jpg /data/gysl -l chi_sim
Tesseract Open Source OCR Engine v4.1.0 with Leptonica
cat gysl.txt
在 日 常 的 一 些 工 作 中 , 俊 尔 也 霁 妮 我 们 技 图 片 转 振 为 文 字 , 目 前 大 鄂 分 力 公 软 作 廷 无 法 实 现 娄 伯 的 功
解 , 因 止 通 到 羔 佑 的 问 题 时 , 我 们 司 能 自 已 动 手 航

Tesseract (iR8S| 敷 ) , 一 欲 由 HP 实 驾 室 开 发 由 Google 雕 护 的 开 源 0CR (Oplcal Character
Recogniton , 光 学 字 祖 R3J) 引 摸 , 与 Microsoft Ofce DocumentImagmg (MODI) 相 比 , 我 们 可 以 不
断 的 州 练 的 库 , 俚 图 僧 转 浩 文 本 的 能 力 不 抗 增 强 ; 如 松 团 队 深 度 霭 要 , 还 可 以 以 它 为 模 松 , 开 发 出 等 合
自 躯 的 OCRS| 敷 , 在 GItHub 上 我 们 目 前 能 睿 刺 的 最 新 版 本 为 : v4 10。 本 文 以 Cent0S7 6 1810
为 伟 Tesseract 的 安 装 司 俭 用 迹 行 演 示 , 为 了 源 少 大 家 重 夏 迢 子 , 本 文 已 旅 安 装 程 坪 理 为 Docker
镐 像 , 霏 要 的 小 仁 伴 眼 接 侠 用 文 中 的 Dockerfie 卵 可 皎 镐 像 , 进 市 宇 现 开 锴 卯 用 .

识别内容为本文第一段除了标题部分内容。效果并不佳。试了一下英文资料的识别，比中文要好不少。

三 总结

3.1 Tesseract 目前对中文的识别效果并不好，不推荐使用。如果你不介意多花时间，可以考虑使用它提供的训练功能自定义你的语言库，那样在特定场景下识别率应该能上一个台阶。

3.2 纯英文内容可以试一下。

3.3 文章的资源包及镜像在本人CSDN相关账户下可以找到，不想耗费时间只想直接使用的小伙伴欢迎直接下载。