光学字符识别软件tesseract-ocr

Tesseract是一个可以将图片转换成文字的OCR（Optical Character Recognition）软件，支持包括中文简繁体的多种语言，简单易用，可以用来识别验证码。让我们来看一看吧。

安装

Tesseract只是一个小应用程序，在mac里直接安装就好啦：

1	brew install tesseract

下面是张包含了一些英文的图片：

把图片保存到本地之后，使用以下命令将其转成文字：

1 2	tesseract ~/Downloads/test.png out cat out.txt

可以看到，对于正常字体来说，粗体、斜体、大小字号等的识别率还是很不错的。如果是手写体的字体，识别率将会严重下降。

Tesseract支持多种语言，不过除了英语以外，都必须先下载语言数据：

1 2	wget -c https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata?raw=true mv chi_sim.traineddata\?raw\=true /usr/local/Cellar/tesseract/3.04.00/share/tessdata/chi_sim.traineddata

从后缀名traineddata可以看出来，tesseract是可以通过训练来提高识别率的。网上有许多教程，有兴趣的朋友可以自行尝试。下面是张包含了一些中文的图片：

把图片保存到本地之后，使用以下命令将其转成文字：

tesseract ~/Downloads/testcn.png out -l chi_sim
cat out.txt
tesseract ~/Downloads/testcn.png out -l eng+chi_sim
cat out.txt

毕竟汉字内容多，这回没有英文识别率那么高了，想要更加实用可能需要更多训练和校对。

很简单，在tesseract命令的最后面加上pdf就好了：

1 2	tesseract ~/Downloads/test.png out pdf open out.pdf

虽然tesseract不能直接处理PDF，但是借助ImageMagick和Ghostscript可以轻松地把PDF转换成图片文件：

1
2
3

brew install imagemagick
brew install ghostscript
convert -density 100 -trim input.pdf output%04d.jpg

这里的100表示DPI，%04d表示分页储存。有了图片之后就可以用tesseract随意操作啦。