光学字符识别引擎 tesseract-ocr 简介

Tesseract是一个 由HP实验室开发 由Google维护的 开源的 光学字符识别 （OCR）引擎，可以在  Apache 2.0 许可 下获得。 它可以直接使用，或者（对于程序员）使用 API 从图像中提取输入，包括手写的或打印的文本。

与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；

如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

源码地址为：https://github.com/tesseract-ocr/tesseract；

你可以训练它

大体流程为：安装jTessBoxEditor -> 获取样本文件 -> Merge样本文件 –> 生成BOX文件 -> 定义字符配置文件 -> 字符矫正 -> 执行批处理文件 -> 将生成的 traineddata 放 入tessdata 中。

具体细节参考：光学字符识别引擎 tesseract-ocr 样体训练

它是跨平台的，支持： Linux macOS

Windows

Tesseract-OCR4.0 版本在 Win7 上的安装过程

Tesseract-OCR4.0版本在VS2015上的编译与运行

它支持很多种的语言，包括：

Lang Code Language 4.0 traineddata afr Afrikaans afr.traineddata amh Amharic amh.traineddata ara Arabic ara.traineddata asm Assamese asm.traineddata aze Azerbaijani aze.traineddata aze_cyrl Azerbaijani - Cyrillic aze_cyrl.traineddata bel Belarusian bel.traineddata ben Bengali ben.traineddata bod Tibetan bod.traineddata bos Bosnian bos.traineddata bul Bulgarian bul.traineddata cat Catalan; Valencian cat.traineddata ceb Cebuano ceb.traineddata ces Czech ces.traineddata chi_sim Chinese - Simplified chi_sim.traineddata chi_tra Chinese - Traditional chi_tra.traineddata chr Cherokee chr.traineddata cym Welsh cym.traineddata dan Danish dan.traineddata deu German deu.traineddata dzo Dzongkha dzo.traineddata ell Greek, Modern (1453-) ell.traineddata eng English eng.traineddata enm English, Middle (1100-1500) enm.traineddata epo Esperanto epo.traineddata est Estonian est.traineddata eus Basque eus.traineddata fas Persian fas.traineddata fin Finnish fin.traineddata fra French fra.traineddata frk Frankish frk.traineddata frm French, Middle (ca. 1400-1600) frm.traineddata gle Irish gle.traineddata glg Galician glg.traineddata grc Greek, Ancient (-1453) grc.traineddata guj Gujarati guj.traineddata hat Haitian; Haitian Creole hat.traineddata heb Hebrew heb.traineddata hin Hindi hin.traineddata hrv Croatian hrv.traineddata hun Hungarian hun.traineddata iku Inuktitut iku.traineddata ind Indonesian ind.traineddata isl Icelandic isl.traineddata ita Italian ita.traineddata ita_old Italian - Old ita_old.traineddata jav Javanese jav.traineddata jpn Japanese jpn.traineddata kan Kannada kan.traineddata kat Georgian kat.traineddata kat_old Georgian - Old kat_old.traineddata kaz Kazakh kaz.traineddata khm Central Khmer khm.traineddata kir Kirghiz; Kyrgyz kir.traineddata kor Korean kor.traineddata kur Kurdish kur.traineddata lao Lao lao.traineddata lat Latin lat.traineddata lav Latvian lav.traineddata lit Lithuanian lit.traineddata mal Malayalam mal.traineddata mar Marathi mar.traineddata mkd Macedonian mkd.traineddata mlt Maltese mlt.traineddata msa Malay msa.traineddata mya Burmese mya.traineddata nep Nepali nep.traineddata nld Dutch; Flemish nld.traineddata nor Norwegian nor.traineddata ori Oriya ori.traineddata pan Panjabi; Punjabi pan.traineddata pol Polish pol.traineddata por Portuguese por.traineddata pus Pushto; Pashto pus.traineddata ron Romanian; Moldavian; Moldovan ron.traineddata rus Russian rus.traineddata san Sanskrit san.traineddata sin Sinhala; Sinhalese sin.traineddata slk Slovak slk.traineddata slv Slovenian slv.traineddata spa Spanish; Castilian spa.traineddata spa_old Spanish; Castilian - Old spa_old.traineddata sqi Albanian sqi.traineddata srp Serbian srp.traineddata srp_latn Serbian - Latin srp_latn.traineddata swa Swahili swa.traineddata swe Swedish swe.traineddata syr Syriac syr.traineddata tam Tamil tam.traineddata tel Telugu tel.traineddata tgk Tajik tgk.traineddata tgl Tagalog tgl.traineddata tha Thai tha.traineddata tir Tigrinya tir.traineddata tur Turkish tur.traineddata uig Uighur; Uyghur uig.traineddata ukr Ukrainian ukr.traineddata urd Urdu urd.traineddata uzb Uzbek uzb.traineddata uzb_cyrl Uzbek - Cyrillic uzb_cyrl.traineddata vie Vietnamese vie.traineddata yid Yiddish yid.traineddata 参考： https://github.com/tesseract-ocr/tesseract/wiki/Data-Files