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
#coding:utf-8
#Test one page
import pytesseract
from PIL import Image def processImage():
image = Image.open('test.png') #背景色处理,可有可无
image = image.point(lambda x: 0 if x < 143 else 255)
newFilePath = 'raw-test.png'
image.save(newFilePath) content = pytesseract.image_to_string(Image.open(newFilePath), lang='eng')
#中文图片的话,是lang='chi_sim'
print(content) processImage()