一、需求

在 Docker 中安装使用 tesseract-ocr 进行文字识别，要求能够识别中文文字。

二、实现

Ubuntu 下安装

没有进行编译安装，我在编译安装的时候实际上一直遇到错误。

出现错误是在 ./configure 的时候就报错了，语法错误，版本我编译的是 master 分支。

我不确定这个错误是什么原因，也没去深究，所以我就用 ubuntu 搞了个 docker 。

ubuntu下安装非常简单，不过速度可能比较慢。

$ apt-get install tesseract-ocr

默认的安装目录是：/usr/share/tesseract-ocr/，后面要安装中文文字库，则就在该目录下的 tessdata/ 文件夹。

CentOS 下编译安装：

可以参考下面这篇文章上：

因为我的依赖都是装好的，如果发现有依赖没装，则参考如下的依赖列表：

sudo apt-get install g++ 
sudo apt-get install autoconf automake libtool
sudo apt-get install autoconf-archive
sudo apt-get install pkg-config
sudo apt-get install libpng12-dev
sudo apt-get install libjpeg8-dev
sudo apt-get install libtiff5-dev
sudo apt-get install zlib1g-dev

### 训练工具需要下面的依赖

sudo apt-get install libicu-dev
sudo apt-get install libpango1.0-dev
sudo apt-get install libcairo2-dev

除了上面的依赖，你还需要编译安装 Leptonica：

 $ wget http://www.leptonica.org/source/leptonica-1.72.tar.gz
 $ tar xvzf leptonica-1.72.tar.gz
 $ cd leptonica-1.72/
 $ ./configure
 $ make && make install

完成了 Leptonica 之后，下载 tesseract，然后进入 tesseract 目录：

$ ./configure && make && make install

之后进行 tessdata 字体库的安装：

以中文字体库举例，下载改字体库（下面有链接）。

$ wget https://github.com/tesseract-ocr/langdata/tree/master/chi_sim](https://github.com/tesseract-ocr/langdata/tree/master/chi_sim

将字体库放在 /usr/local/share/tessdata/ 文件夹下即可

使用 tesseract

Wiki:

简单的使用就是直接识别一张英文图片：

$ tesseract sign.jpg out

识别中文

tesseract 的语言数据列表：

需要识别中文，需要安装中文的库，将库放在 testdata 文件夹下即可。

网上很多是 google code 的下载地址，我找了一个能用的下载，忘记在哪个网页看到的了：

如果要使用中文，则需要指定 -l 的命令行参数：

  • chi_sim：是库的名称
$ tesseract sing.jpg out -l chi_sim

三、问题

1、错误

这个问题我是在 CentOS 编译安装使用的时候出错误的

如果遇到了下面的错误：

tesseract: error while loading shared libraries: libtesseract.so.3: cannot open shared object file: No such file or directory

则需要修改 /etc/ld.so.conf 这个文件，然后在里面加一句：

$ vim /etc/ld.so.conf

修改后的文件内容如下：

include ld.so.conf.d/*.conf
include /usr/local/lib

然后运行：

/sbin/ldconfig

2、

中文识别率感人，网上都说引擎很老了，基本没什么大的功能。

貌似，无法使用图片 url 进行识别，因此，我在 docker 中跑的时候，开了 -v 数据卷共享目录。

1.jpg