前言

最近在写织梦的验证码识别遇到的小问题，用pytesseract默认的字典效果不是很理想于是就有了这篇文章。 记录一下方便查询

介绍

谷歌的开源框架 tesseract-ocr可以帮助我们进行识别图像，文字等等，tesseract可以识别多种语言(一些常用的语言)，多种图片格式，非常强大。

相关工具

下载并安装tesseract(配置环境变量，后面需要用到)

地址：https://sourceforge.net/projects/tesseract-ocr/

下载并安装jTessBoxEditor（用于纠正）

地址：http://vietocr.sourceforge.net/training.html

集合

https://github.com/tesseract-ocr/tesseract/wiki/AddOns

准备工作

1、准备要识别的典型图片用作测试图片，将图片转为tif格式的（在线转换地址，还可以用自带的画图打开，选择另存为tif）
2、用jTessBoxEditor把所有的测试图片合成一张 （打开jTessBoxEditor.jar，然后点菜单上的Tool->Merge TIFF）

生成识别字典

1、在合成的tif文件夹打开cmd进入 why4.tif 所在的目录，生成对应的 .box 文件输入以下命令（why为合成的tif）

tesseract why.tif  why4 batch.nochop makebox 

2、用 jTessBoxEditor来调整识别文字的位置、结果。

用 jTessBoxEditor打开生成的图片集why4.tif ,注意 why4.tif 对应的box文件一定要和他处于同一个文件夹下(请保持文件名)，否则，用jTessBoxEditor打开没有 位置、识别结果等信息，然后就可以调整了，调整完之后保存 3、生成.tr文件

tesseract why4.tif  why4   nobatch box.train 

4、计算字符集,从生成的 box文件中提取

unicharset_extractor why4.box 

5、生成字体特征文件，现在文件夹下新建文件名为“"font_properties.txt"” 特征文件内容为：

why4 0 0 0 0 0

6、输入命令

mftraining -F font_properties.txt -U unicharset why4.tr

7、聚集tesseract 识别的训练文件

cntraining why4.tr

执行完这一步之后发现文件夹下生产了许多文件，把unicharset, inttemp, normproto, pffmtable, shapetable这几个文件加上前缀 why4.

8、最后一步，合并相关文件，生成字典文件

combine_tessdata why4.

9、好了，至此字典文件就生产了，我们把生成的字典文件why4.traineddata放入到 tesseract_ocr 根目录下的 tessdata文件夹下

10、修改识别语言包

code = pytesseract.image_to_string(img,lang='why')

参考

https://blog.csdn.net/zhanghaiming012/article/details/80522992 https://www.jianshu.com/p/6633a7a85add