1 聲明
前段時間忙於複試，時間緊湊，沒來得及整理相關材料。今藉機梳理。能力有限，註明轉載出處。
https://www.cnblogs.com/zhongtang/p/5555950.html
2 背景
前文已經簡要介紹tesseract ocr引擎的安裝及基本使用，其中提到使用-l eng參數來限定語言庫，可以提高識別準確率及識別效率。本文將針對某個網站的驗證碼進行樣本訓練，形成自己的語言庫，來提高驗證碼識別率。
3 準備工具
tesseract樣本訓練有一個官方流程說明，https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract#run-tesseract-for-training，不過都是英文的，個人認爲這個地址適合於查找細節問題，全程看E文對大衆還是有一定的困難。
具體的方法有兩種：1-利用三方工具，2-完全命令行操作，三方工具主要在https://github.com/tesseract-ocr/tesseract/wiki/AddOns下載，本文將用到jTessBoxEditor這個工具，我們先給他下載到本地。
需要特別說明，這個工具是基於java虛擬機運行的，所以我們還要下載並安裝一個java虛擬機，下載地址：http://download.oracle.com/otn-pub/java/jdk/8u91-b14/jdk-8u91-windows-x64.exe?AuthParam=1463733597_1161f2d895aa7606ed260b43b83d5f86。
總結一下：
1、工具2 java虛擬機 Ver 1.8.0_91 64位版本 （oracle官網）
2、工具1 jtessboxeditor Ver 1.5版本 （jtessboxeditor官網），運行界面如下：
4 使用實例
1)、準備樣本圖片
手動刷新某網站驗證碼，手動或者寫程序，保存了101個驗證碼樣本文件，分別命名成：1.png，2.png，……，101.png。
該驗證碼有幾個特點：a、定長4位，b、都是數字，c、有背景干擾，但比較簡單，d、字體爲紅色。
爲了提高識別率，首先做了一個工作就是灰度化處理，並全部轉換成tif文件，分別命名成：1.tif，2.tif，……，101.tif，統一存放在d:\python\lnypcg下。
2)、合併樣本圖片
打開jtessboxeditor，點擊Tools->Merge Tiff ，按住shift鍵選擇前文提到的101個tif文件，並把生成的tif合併到新目錄d:\python\lnypcg\new下，命名爲langyp.fontyp.exp0.tif。
注意：langyp 是本人定義的語言名稱，fontyp是本人定義的字體名稱，後續都會用到，你可以修改成你喜歡的名字。
3)、生成box文件
執行命令生成langyp.fontyp.exp0.box文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makebox
複製代碼
D:\python\lnypcg\new>tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makebox
Tesseract Open Source OCR Engine v3.02 with Leptonica
Page 1 of 101
Page 2 of 101
Page 3 of 101
……
Page 101 of 101
D:\python\lnypcg\new>dir
驅動器 D 中的卷沒有標籤。
卷的序列號是 36D9-CDC7
D:\python\lnypcg\new 的目錄
2016-06-03 14:37
2016-06-03 14:37
2016-06-03 14:30 6,327 langyp.fontyp.exp0.box
2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif
2 個文件 132,383 字節
2 個目錄 24,869,994,496 可用字節
複製代碼
4)、修改box文件
切換到jTessBoxEditor工具的Box Editor頁，點擊open，打開前面的tiff文件langyp.fontyp.exp0.tif，工具會自動加載對應的box文件。
檢查box數據，如下圖所示，數字8被誤認成字母H，手工修改H成8，並保存。
點擊下圖紅色框的按鈕，逐個覈對tif文件的box數據，全部檢查結束並保存。
5)、生成font_properties
執行echo命令生成font_properties。
echo fontyp 0 0 0 0 0 >font_properties
也可以手工新建一個名爲font_properties的文本文件（注意該文件沒有擴展名），內容爲字體名fontyp，後面帶5個0，分別代表字體的粗體、斜體等屬性，這裏全部是0
D:\python\lnypcg\new>echo fontyp 0 0 0 0 0 >font_properties
D:\python\lnypcg\new>type font_properties
fontyp 0 0 0 0 0
6)、生成訓練文件
執行命令，生成langyp.fontyp.exp0.tr訓練文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train
複製代碼
D:\python\lnypcg\new>tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train
Tesseract Open Source OCR Engine v3.02 with Leptonica
Page 1 of 101
row xheight=8.66667, but median xheight = 10
APPLY_BOXES:
Boxes read from boxfile: 4
Found 4 good blobs.
Generated training data for 1 words
……
……
……
Page 101 of 101
row xheight=8.66667, but median xheight = 10
APPLY_BOXES:
Boxes read from boxfile: 4
Found 4 good blobs.
Generated training data for 1 words
D:\python\lnypcg\new 的目錄
2016-06-03 16:34
2016-06-03 16:34
2016-06-03 16:05 16 font_properties
2016-06-03 14:30 6,327 langyp.fontyp.exp0.box
2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif
2016-06-03 16:20 618,844 langyp.fontyp.exp0.tr
2016-06-03 16:20 202 langyp.fontyp.exp0.txt
5 個文件 751,445 字節
2 個目錄 24,869,101,568 可用字節
複製代碼
7)、生成字符集文件
執行命令，生成名爲unicharset的字符集文件。
unicharset_extractor langyp.fontyp.exp0.box
複製代碼
D:\python\lnypcg\new>unicharset_extractor langyp.fontyp.exp0.box
Extracting unicharset from langyp.fontyp.exp0.box
Wrote unicharset file ./unicharset.
D:\python\lnypcg\new>dir
驅動器 D 中的卷沒有標籤。
卷的序列號是 36D9-CDC7
D:\python\lnypcg\new 的目錄
2016-06-03 16:41
2016-06-03 16:41
2016-06-03 16:05 16 font_properties
2016-06-03 14:30 6,327 langyp.fontyp.exp0.box
2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif
2016-06-03 16:20 618,844 langyp.fontyp.exp0.tr
2016-06-03 16:20 202 langyp.fontyp.exp0.txt
2016-06-03 16:41 712 unicharset
6 個文件 752,157 字節
2 個目錄 24,869,171,200 可用字節
複製代碼
8)、生成shape文件
執行命令，生成shape文件
shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
複製代碼
D:\python\lnypcg\new>shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
Reading langyp.fontyp.exp0.tr …
Building master shape table
Computing shape distances…
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances…
Stopped with 0 merged, min dist 999.000000
Computing shape distances…
Stopped with 0 merged, min dist 999.000000
Computing shape distances… 0 1 2 3 4 5 6 7 8 9 10
Stopped with 0 merged, min dist 0.057803
Master shape_table:Number of shapes = 11 max unichars = 1 number with multiple unichars = 0
D:\python\lnypcg\new>dir
驅動器 D 中的卷沒有標籤。
卷的序列號是 36D9-CDC7
D:\python\lnypcg\new 的目錄
2016-06-03 17:24
2016-06-03 17:24
2016-06-03 17:20 19 font_properties
2016-06-03 14:30 6,327 langyp.fontyp.exp0.box
2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif
2016-06-03 17:23 618,844 langyp.fontyp.exp0.tr
2016-06-03 17:23 202 langyp.fontyp.exp0.txt
2016-06-03 17:24 723 langyp.unicharset
2016-06-03 17:24 202 shapetable
2016-06-03 17:24 712 unicharset
8 個文件 753,085 字節
2 個目錄 24,868,278,272 可用字節
複製代碼
9)、生成聚集字符特徵文件
執行命令，生成3個特徵字符文件，unicharset、inttemp、pffmtable
mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
D:\python\lnypcg\new>mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
Read shape table shapetable of 11 shapes
Reading langyp.fontyp.exp0.tr …
Done!
10)、生成字符正常化特徵文件
執行命令，生成正常化特徵文件normproto。
cntraining langyp.fontyp.exp0.tr
D:\python\lnypcg\new>cntraining langyp.fontyp.exp0.tr
Reading langyp.fontyp.exp0.tr …
Clustering …
11)、更名
執行命令，把步驟9，步驟10生成的特徵文件進行更名。
rename normproto fontyp.normproto
rename inttemp fontyp.inttemp
rename pffmtable fontyp.pffmtable
rename unicharset fontyp.unicharset
rename shapetable fontyp.shapetable
複製代碼
D:\python\lnypcg\new>rename normproto fontyp.normproto
D:\python\lnypcg\new>rename inttemp fontyp.inttemp
D:\python\lnypcg\new>rename pffmtable fontyp.pffmtable
D:\python\lnypcg\new>rename unicharset fontyp.unicharset
D:\python\lnypcg\new>rename shapetable fontyp.shapetable
複製代碼
12)、合併訓練文件
執行命令，生成fontyp.traineddata文件。
combine_tessdata fontyp.
注意：
a、fontyp.traineddata文件最終要拷貝tesseract安裝目錄的tessdata目錄下，才能被tesseract找到。
b、命令行最後必須帶一個點。
c、執行結果中，1,3,4,5,13這幾行必須有數值，才代表命令執行成功。
複製代碼
D:\python\lnypcg\new>combine_tessdata fontyp.
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 is -1
Offset for type 1 is 140
Offset for type 2 is -1
Offset for type 3 is 852
Offset for type 4 is 137760
Offset for type 5 is 137850
Offset for type 6 is -1
Offset for type 7 is -1
Offset for type 8 is -1
Offset for type 9 is -1
Offset for type 10 is -1
Offset for type 11 is -1
Offset for type 12 is -1
Offset for type 13 is 139352
Offset for type 14 is -1
Offset for type 15 is -1
Offset for type 16 is -1
複製代碼
13）測試使用
譬如前文的28.tif中8被誤認爲字母S，用新的字體看是否還出錯。
複製代碼
D:\python\lnypcg>tesseract 28.tif output -l eng -psm 7
Tesseract Open Source OCR Engine v3.02 with Leptonica
D:\python\lnypcg>type output.txt
S094
#1調用默認的eng語言，8被識別成S
D:\python\lnypcg>tesseract 28.tif output -l fontyp -psm 7
Error opening data file C:\Program Files (x86)\Tesseract-OCR\tessdata/fontyp.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your “tessdata” directory.
Failed loading language ‘fontyp’
Tesseract couldn’t load any languages!
Could not initialize tesseract.
#2條用新的fontyp語言，tesseract找不到fontyp語言。
D:\python\lnypcg>copy .\new\fontyp.traineddata “C:\Program Files (x86)\Tesseract-OCR\tessdata”
已複製 1 個文件。
#3複製fontyp.traineddata到tesseract的安裝目錄的tessdata子目錄下
D:\python\lnypcg>tesseract 28.tif output -l fontyp -psm 7
Tesseract Open Source OCR Engine v3.02 with Leptonica
D:\python\lnypcg>type output.txt
8094
#使用fontyp語言成功識別8094
複製代碼
5 總結：
Anyway，jtessboxeditor 工具其實是一個基本成型的三方樣本訓練工具，它的功能就是自動執行上述腳本命令，但是在實際使用中，還存在不夠完善的地方，譬如不能加psm參數，生成shape時經常程序異常崩潰，所以本文操作還是以命令行爲主。
tesseract是一個非常強大的ocr引擎，尤其是做了針對性訓練之後，驗證碼識別率幾乎可以達到95%以上，再在程序中增加一些判斷機制，基本上可以滿足爬蟲自動登陸需求了，回頭寫一個某東的自動識別驗證碼的爬蟲程序。
把前文提的簡化一下，綜合成如下步驟列表：
複製代碼
1、合併圖片
2、生成box文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makebox
3、修改box文件
4、生成font_properties
echo fontyp 0 0 0 0 0 >font_properties
5、生成訓練文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train
6、生成字符集文件
unicharset_extractor langyp.fontyp.exp0.box
7、生成shape文件
shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
8、生成聚集字符特徵文件
mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
9、生成字符正常化特徵文件
cntraining langyp.fontyp.exp0.tr
10、更名
rename normproto fontyp.normproto
rename inttemp fontyp.inttemp
rename pffmtable fontyp.pffmtable
rename unicharset fontyp.unicharset
rename shapetable fontyp.shapetable
11、合併訓練文件，生成fontyp.traineddata
combine_tessdata fontyp.
複製代碼
以上！