Mac环境下升级Tesseract 5.0解决pytesseract词间距保留难题

问题根源 #

你碰到的这个词间距丢失的问题，确实是Tesseract 4.x版本的老bug了——官方在5.0版本里已经通过专门的修复commit解决了这个问题，但Homebrew目前还停留在4.0版本，所以得手动从源码编译安装5.0才行。

Mac上从GitHub源码编译Tesseract 5.0的步骤 #

别担心，即使你不熟悉源码编译，跟着下面的步骤一步步来就行：

• 先装编译依赖
  打开终端，用Homebrew装编译需要的工具和依赖库：

  brew install automake autoconf libtool pkg-config
  brew install leptonica
  

• 克隆Tesseract源码
  把官方仓库克隆到本地，然后切换到5.0的稳定分支（也可以选最新的5.x稳定标签，比如5.3.3）：

  git clone https://github.com/tesseract-ocr/tesseract.git
  cd tesseract
  git checkout 5.0.0
  

• 编译安装
  依次执行这几个命令，完成编译和安装（输入sudo时需要你输入Mac系统密码）：

  ./autogen.sh
  ./configure
  make
  sudo make install
  

• 确认安装成功
  安装完之后，在终端敲这个命令验证版本：

  tesseract --version
  

  如果显示的是5.x.x的版本号，就说明装对了。

• 重新测试你的代码
  现在再跑你原来的Python代码，preserve_interword_spaces=1这个参数就能正常生效，识别诗歌的时候词间距就会保留下来了：

  from PIL import Image
  import pytesseract
  
  img1 = Image.open(file)
  custom_config = r'-c preserve_interword_spaces=1 --psm 4'
  str4 = pytesseract.image_to_string(img1, config=custom_config)
  

小提示 #

• 如果编译的时候提示缺某个库，直接用brew install 库名装上就行。
• 装完之后pytesseract会自动调用新的Tesseract版本，不用额外修改路径（只要你之前没手动指定过老版本的路径）。

内容的提问来源于stack exchange，提问作者bobsmith76