我要评论一、tesseract-ocr 是什么
an ocr engine that was developed at hp labs between 1985 and 1995… and now at google
基于leptonica(http://leptonica.com/)图形处理库开的开源图形识别引擎。
支持linux、windows、mac平台，
支持.net、c++、python、java等开发语言：https://code.google.com/p/tesseract-ocr/wiki/addons
项目地址：https://code.google.com/p/tesseract-ocr/
二、使用方法
下载安装：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe
注意安装时的path目录、数学符号、语言选项，按需选择。
执行：”tesseract yourpic.png res”
图片 yourpic.png 里面的内容会被识别后保存在 res.txt
为了更精确的识别可以去到项目地址上下载相应的各种语言的 language tessdata
例如：
简体中文 https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.chi_sim.tar.gz
繁体中文
下载解压后 chi_sim.traineddata 复制到 tesseract-ocr\tessdata 即可
执行：
“tesseract yourpic.png eng” 使用 默认eng语言包
“tesseract yourpic.png sim -l chi_sim” 使用 chi_sim语言包
“tesseract yourpic.png tra -l chi_tra” 使用 chi_sim语言包
选择最接近真实数据的，方便以后修正
三、进阶使用 training
为数不多的training tesseract-ocr中文文档
http://yy-programer.blogspot.tw/2012/08/training-tesseract-ocr-301.html
对于高精度需求的需要研究一下了，日常民用级别，默认识别加后期修正即可。
四、应用实例之吸附代理
针对 http://www.proxyfire.net/ 几个代理列表页的代理吸附
话不多说直接上代码，
pf.bat
pf.pl
发表评论