Ubuntu下安裝使用 tesseract-ocr

tesseract-ocr是開源的光學字符識別引擎，有Google的支持，支持很多種語言的識別，下面說一下 我在Ubuntu下安裝步驟

其實官方文檔上說的很細，下面列出其中的命令，

1. sudo apt-get install autoconf automake libtool  
2. sudo apt-get install libpng12-dev  
3. sudo apt-get install libjpeg62-dev  
4. sudo apt-get install libtiff4-dev  
5. sudo apt-get install zlib1g-dev  

注意最後一個zlib1g-dev中的1g是數字1，而不是小寫字母l,

1. sudo apt-get install libleptonica-dev  

下載源文件包解壓（目前是3.0），進入目錄

1. ./runautoconf  
2. ./configure  
3. make  
4. sudo make install  

下載語言數據包解壓：你可以在這找到更多的語言包

1. gzip -d eng.traineddata.gz  

移動到數據包安裝目錄下，默認為 /usr/local/share/tessdata

1. mv eng.traineddata /usr/local/share/tessdata  
2.   
3. export TESSDATA_PREFIX=/usr/local/share/  

安裝圖片格式轉換工具，因為tesseract只識別tif格式的圖片。

1. apt-get install imagemagick  

你可以使用下面的命令轉換圖片

1. convert a.jpg a.tif  

好了，測試一下吧

1. tesseract <image> <outputbasename> [-l lang] [configs]  
2.   
3. tesseract a.tif a  

默認為英語，如果你要識別其它語言請使用-l 參數指定，如

1. tesseract a.tif a -l chi_sim  
2.   
3. cat a.txt  

你將會看到識別出的文字，太棒了。好了，下面就可以用程序去調用識別文字了，

對於java你也可以使用tess4j封裝的API，對於PHP你可以使用exec調用再對文件進行處理，

如果你遇到 lib **.so 找不到請運行

1. sudo ldconfig