tesseract-ocr ubuntu 安装使用

tesseract-ocr是开源的光学字符识别引擎，有Google的支持，支持很多种语言的识别，下面说一下 我的安装步骤
其实官方文档上说的很细，下面列出其中的命令，

[plain]
view plaincopy

sudo apt-get install autoconf automake libtool
sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
sudo apt-get install zlib1g-dev

注意最后一个zlib1g-dev中的1g是数字1，而不是小写字母l,

[plain]
view plaincopy

sudo apt-get install libleptonica-dev

下载源文件包解压（目前是3.0），进入目录

[plain]
view plaincopy

./runautoconf
./configure
make
sudo make install

下载语言数据包解压：你可以在这找到更多的语言包

[plain]
view plaincopy

gzip -d eng.traineddata.gz

移动到数据包安装目录下，默认为 /usr/local/share/tessdata

[plain]
view plaincopy

mv eng.traineddata /usr/local/share/tessdata

export TESSDATA_PREFIX=/usr/local/share/

安装图片格式转换工具，因为tesseract只识别tif格式的图片。

[plain]
view plaincopy

apt-get install imagemagick

你可以使用下面的命令转换图片

[plain]
view plaincopy

convert a.jpg a.tif

好了，测试一下吧

[plain]
view plaincopy

tesseract <image> <outputbasename> [-l lang] [configs]

tesseract a.tif a

默认为英语，如果你要识别其它语言请使用-l 参数指定，如

[plain]
view plaincopy

tesseract a.tif a -l chi_sim

cat a.txt

你将会看到识别出的文字，太棒了。好了，下面就可以用程序去调用识别文字了，

对于java你也可以使用tess4j封装的API，对于PHP你可以使用exec调用再对文件进行处理，

如果你遇到 lib **.so 找不到请运行

[plain]
view plaincopy

sudo ldconfig

结合项目可使用开源项目：
https://github.com/thiagoalessio/tesseract-ocr-for-php