使用 Tesseract-OCR（图像文本识别）的经验分享

网上有很多关于图文识别的帖子，但是很多都是很老的帖子，要么不能用要么收费等等问题。导致我在研究过程中碰了不少坑。因此把我的使用经验分享出来，希望对你有所帮助。

我使用的场景是：使用Selenium+ChromeDriver开发网络爬虫，识别网上的一些加密的电话号码或者识别图片形式的电话号码（加密的号码先截图保存再识别。）

开发环境：VS2019(.net 5.0)

步骤一：添加引用Tesseract（install-package Tesseract）

步骤二：添加语言包（英文、中文）

1.Debug\net5.0下面缺保有语言包文件夹，名称：tessdata

链接：https://pan.baidu.com/s/1AcEB4TvLYnZOmGT2yXaGLQ
提取码：lkah

步骤三：图文识别代码(英文使用："eng"，简体中文使用：“chi_sim”)

using(var engine = new TesseractEngine("tessdata", "eng", EngineMode.Default);)

{

using (var img = Pix.LoadFromFile(tellIFileName))
{
using (var page = engine.Process(img))
{
txtResult += page.GetText() + " ";
}
}

}

步骤四：其他说明

1.识别具有一定的误差情况，需要经过自己的测试跟调教（结果过滤不需要字符或者添加自定义词库等），详细训练方法与过程请移步看官方教程。