Python开发中基于pytesseract配置Tesseract仅使用自定义词典识别的实现咨询

快速轻量方案（无需重新训练，运行时配置约束） #

• 操作前置要求：确认Tesseract安装目录下tessdata文件夹的完整路径，和你当前代码里配置的tesseract_cmd路径保持一致
• 第一步：准备自定义词表
  新建纯文本文件，每行写入一个允许识别的自定义词汇，不要留空行，保存到固定路径，比如C:\tess_my_words.txt。注意词表内不要出现你不希望被识别的词汇。
• 第二步：配置Tesseract运行参数
  在pytesseract调用image_to_string时，直接通过config参数传入自定义词表路径，同时配置字符白名单，缩小识别范围：

  text = tess.image_to_string(
      img,
      lang='fra+eng',
      config='--user-words "C:\\tess_my_words.txt" --tessedit_char_whitelist "你自定义词覆盖的全部字符"'
  )
  

  该方案的效果：Tesseract会将自定义词的匹配权重提至最高，但内置语言自带的大词典仍会参与识别评分，无法100%杜绝非自定义词的识别结果，适合对约束要求不极端严格的快速场景。

完全锁死自定义词方案（修改训练/词典文件，彻底禁用内置词典） #

如果需要实现仅识别自定义词典内词汇、完全排除内置词典干扰的效果，需要通过替换词典文件+关闭内置词典加载的方式实现，步骤如下：

• 第一步：生成专属自定义词典Dawg文件
  用Tesseract安装目录下自带的wordlist2dawg工具，将你准备好的自定义词表编译为Tesseract可识别的Dawg格式词典文件，替代原本语言包内置的大词典。生成的文件需要存放到tessdata目录下，命名格式和现有语言包词典保持一致。
• 第二步：关闭内置词典加载开关
  在调用参数中加入两个核心配置，强制Tesseract不加载系统自带的大词典文件：

  --load_system_dawg F --load_freq_dawg F
  

• 第三步：对应代码修改示例
  原有ocr函数的核心调用部分修改为：

  def ocr(img):
      cv2.imwrite('image.png', img)
      img = cv2.medianBlur(img, 1)
      img  = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, \
                                  cv2.THRESH_BINARY, 31, 20)
    
      cv2.imshow('frames', img)
      # 纯自定义词典识别配置
      text = tess.image_to_string(
          img,
          lang='fra+eng',
          config='--tessdata-dir "C:\\Users\\Utilisateur\\AppData\\Local\\Programs\\Tesseract-OCR\\tessdata" --load_system_dawg F --load_freq_dawg F --user-words "C:\\tessdata\\my_custom_words.dawg"'
      )
      print(text)
  

注意事项 #

• 配置里的所有文件路径必须用双反斜杠转义，不要用单反斜杠，否则会出现路径识别错误
• 字符白名单的范围必须完全覆盖自定义词表里的所有字符，否则会出现字符识别遗漏
• 不要在Tesseract的configs目录下新建带.txt后缀的配置文件，Tesseract默认不会识别带后缀的配置项
• 你之前代码中尝试的config='bazaar'配置属于Tesseract旧版本的内置示例配置，当前新版本不会默认加载该配置文件，因此设置后不会产生预期效果

内容的提问来源于stack exchange，提问作者Lounis