轉載地址：http://www.cnblogs.com/zhongtang/p/5757406.html
python下以api形式調用tesseract識別圖片驗證碼
一、背景
之前在博文中介紹在python中如何調用tesseract ocr引擎，當時主要介紹了shell模式，shell模式需要安裝tesseract程序，並且效率相對略低。
今天介紹api形式的調用方式，因爲博主主要是基於windows環境進行開發，所以這裏的api調用主要是指dll調用（linux之類是.so調用）
二、tesseract dll下載網址
https://github.com/charlesw/tesseract 這個網址中包含了編譯好的exe及dll文件，而且x86，x64兩種架構都有。
（特別說明：選擇x86還是x64版本dll，只依賴於你的python架構，而不是操作系統的架構，即便是在64位操作系統，假如你的python是32位版本，這裏也要選用x86版本dll）。
博主使用的64位Python，所以進入 tesseract/src/lib/TesseractOcr/x64/目錄，分別下載 liblept172.dll、libtesseract304.dll 兩個dll。（若是你想用shell形式調用，也可以下載tesseract.exe，與之前的博文改善的地方，就是免去安裝tesseract。）
三、語言包 下載網址（tessdata）
注意說明裏有這一段話，You will also need to download the language data files for tesseract 3.04 from tesseract-ocr.
網址：https://github.com/tesseract-ocr/tesseract ，下載其中的tessdata目錄即可，跟dll放到同一目錄。
四、vc 2015++發行包下載
注意說明裏這一段話：
Since tesseract and leptonica binaries are compiled with Visual Studio 2015 you'll need to ensure you have the Visual Studio 2015 Runtime installed.
意思就是，這個tesseract 的dll是使用vs 2015編譯的，所以必須安裝其發行包，同樣分X64，X86兩個版本，還是依賴於你的開發環境，不依賴於操作系統。
五、安裝pyocr for python 包
用pip就可以安裝： pip install pyocr，也可以到官網下載源碼，手動安裝： https://github.com/jflesch/pyocr
最新的pyocr是0.4.1，其源碼還是基於tesseract 3.0.2 ，而前文下載的tesseract 已經是3.0.4版本了，所以需要改下pyocr源碼。 （需要說明的是pyocr包，比起以前博文提的pytesseract包要更復雜一些，同時支持shell、api 、Cuneiform 三種形式。）
修改源碼文件 ：C:\Python27\Lib\site-packages\pyocr\libtesseract\libtesseract_raw.py文件。
如下所示： 紅色字體行，把302dll改成304dll
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
TESSDATA_PREFIX = os.getenv('TESSDATA_PREFIX', None)if sys.platform[:3] == "win": libnames = [ #
Jflesch> Don't they have the equivalent of LD_LIBRARY_PATH on #
Windows ? "../vs2010/DLL_Release/libtesseract302.dll", "libtesseract304.dll", #libtesseract302.dll ]else: libnames = [ "libtesseract.so.3", ] |
六、編寫測試程序
直接放源碼 pyocr-test.py ：
#coding=utf-8 ''' 當前目錄必須有tessdata ,libtesseract304.dll ,liblept172.dll ''' import os ,sys tessdir = os.getenv('TESSDATA_PREFIX', None) if tessdir is None : tessdir = os.path.split(os.path.realpath(__file__))[0] os.environ['TESSDATA_PREFIX'] = tessdir if tessdir not in os.environ['PATH']: os.environ['PATH']= tessdir+';' +os.environ['PATH'] #sys.path.append(tessdir) print os.environ['PATH'] print os.environ['TESSDATA_PREFIX'] from pyocr import libtesseract from pyocr.builders import TextBuilder from PIL import Image filename ='1.png' img = Image.open(filename) #不設置成單行模式,沒有輸出 bu = TextBuilder(tesseract_layout=7) #lang爲語言,默認使用eng print libtesseract.image_to_string(img,lang='fontet',builder=bu)
幾個注意點：
1、前文下載的dll 與tessdata語言包文件夾，默認放到 pyocr-test.py 的同一目錄下；
2、必須安裝vc++ 2015 發行包（vc_redist.x86.exe 或vc_redist.x64.exe），否則會ctypes.cdll.LoadLibrary(libname)會調用dll失敗。
3、源碼裏的第一段，主要就是用來解決python找不到dll的問題，這段代碼主要功能：把當前目錄加到系統PATH環境變量裏，以確保dll能被搜到。
這個地方容易出問題，主要是os.path.realpath 、__file__這幾個內部函數和常量，貌似在不同的開發環境，甚至不同的開發工具下都會有不同的結果，跟pyocr無關，主要是python的問題。
import os
tessdir = os.getenv('TESSDATA_PREFIX', None)
if tessdir is None :
tessdir = os.path.split(os.path.realpath(__file__))[0]
os.environ['TESSDATA_PREFIX'] = tessdir
if tessdir not in os.environ['PATH']:
os.environ['PATH']= tessdir+';' +os.environ['PATH']
4、實測時發現，bu = TextBuilder(tesseract_layout=7) 這一段不寫，會導致識別出錯，這個等於以前博文提到-psm 7函數，也就是單行模式。
以上