上一篇安装完了tesseract之后，接下来我们要进入到实际的使用中，我们的爬虫在抓取某些网站的时候，会发现网站的价格，会员的一些名字，电话号码都是图片，遇到这种情况我们就可以使用tesseract来解决。
1. 下载工具jTessBoxEditor.
http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，这个工具是用来训练样本用的，由于该工具是用JAVA开发的，需要安装JAVA虚拟机才能运行。
2. 获取样本图像。
用画图工具绘制了5张0-9的文样本图像（当然样本越多越好），见data/training：
3. 合并样本图像。
运行jTessBoxEditor工具，在点击菜单栏中Tools--->Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并成number.font.exp0.tif文件。PS:命名格式是按照官网格式来命名的，即：[lang].fontname].exp[num].tif）。
4. 生成Box File文件。
打开命令行，执行命令：
tesseract number.font.exp0.tif number.font.exp0 batch.nochop makebox 生成的BOX文件为number.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。
5. 文字校正
运行jTessBoxEditor工具，打开number.font.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录），如下图所示。可以看出有些字符识别的不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。
6. 定义字体特征文件
Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。
font_properties不含有BOM头，在 training 目录下创建文件，文件内容格式如下：
<fontname> <italic> <bold> <fixed> <serif> <fraktur>
其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。
font 0 0 0 0 0这里全取值为0，表示字体不是粗体、斜体等等。
7. 生成语言文件
运行 training.sh. 修改其中的lang和 font 变量名称
需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样，一个新的语言文件就生成了。
number.traineddata便是最终生成的语言文件，将生成的number.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。
tesseract number.jpg result -l number #指定语言
具体示例见 github
参考: