什么是tesseract-ocr

OCR(Optical Character Recognition):光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。

Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。

现在托管在GitHub中~

源代码位置

托管于

目前项目转移到GitHub

下载源代码

最终选定的是托管在GitHub上的3.0.2分支

wget https://github.com/tesseract-ocr/tesseract/archive/3.04.zip

编译安装

unzip 3.04.zipcd tesseract-3.04/./configure

安装leptonica

报错：

leptonica... configure: error: leptonica not found

解决方案： 安装 leptonica

官网地址：

wget http://www.leptonica.org/source/leptonica-1.72.tar.gz tar xvzf leptonica-1.72.tar.gz cd leptonica-1.72/ ./configure  make && make install

完成安装

./configuremake && make installsudo ldconfig

配置文件位置

/usr/local/share/tessdata

语言文件

文件源码

我们需要下载支持的语言对应的配置中

GitHub地址

修改变量

创建存放语言文件的文件夹 /usr/local/share/tessdata/lang

修改配置的变量 export TESSDATA_PREFIX=/some/path/to/tessdata

这里注意的是，我们修改的是路径的前缀，真实的语言文件的路径实际是/usr/local/share/tessdata/lang/tessdata

否则就会出现下面的错误

放到配置文件夹

解压之后放到语言配置文件夹中wget https://github.com/tesseract-ocr/tessdata/archive/master.zip

使用

准备测试图片

上传到测试服务器

scp code.jpg root@xxx.xxx.xx.xx:/data/

验证

tesseract /data/code.jpg out

查看结果

cat out.txt

0376

安装完成，验证正确~

)

参考资料