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/)圖形處理庫開的開源圖形識別引擎。
支持Linux、Windows、Mac平臺，
支持.NET、C++、Python、Java等開發語言：https://code.google.com/p/tesseract-ocr/wiki/AddOns
項目地址：https://code.google.com/p/tesseract-ocr/

二、使用方法

下載安裝：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe
注意安裝時的Path目錄、數學符號、語言選項，按需選擇。
執行：”tesseract yourpic.png res”
圖片 yourpic.png 里面的內容會被識別后保存在 res.txt
為了更精確的識別可以去到項目地址上下載相應的各種語言的 language tessdata
例如：
簡體中文 https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.chi_sim.tar.gz
繁體中文
下載解壓后 chi_sim.traineddata 復制到 Tesseract-OCR/tessdata 即可
執行：
“tesseract yourpic.png eng” 使用 默認eng語言包
“tesseract yourpic.png sim -l chi_sim” 使用 chi_sim語言包
“tesseract yourpic.png tra -l chi_tra” 使用 chi_sim語言包
選擇最接近真實數據的，方便以后修正

三、進階使用 Training

為數不多的training tesseract-ocr中文文檔
http://yy-programer.blogspot.tw/2012/08/training-tesseract-ocr-301.html
對于高精度需求的需要研究一下了，日常民用級別，默認識別加后期修正即可。

四、應用實例之吸附代理

針對 http://www.proxyfire.net/ 幾個代理列表頁的代理吸附

話不多說直接上代碼，
pf.bat
代碼如下:
pf.pl http://www.proxyfire.net/index.php?pageid=eliteproxylist       elite.txt
pf.pl http://www.proxyfire.net/index.php?pageid=anonymousproxylist   anony.txt
pf.pl http://www.proxyfire.net/index.php?pageid=transparentproxylist trans.txt
pf.pl http://www.proxyfire.net/index.php?pageid=socks4proxylist      s4.txt
pf.pl http://www.proxyfire.net/index.php?pageid=socks5proxylist      s5.txt
type *.txt > all.tmp
del *.txt /s/q
ren all.tmp all.txt
@pause
pf.pl
代碼如下:
use strict;
 
our $url    = $ARGV[0];
our $file   = $ARGV[1];
 
my $res = undef;
my @tmp = undef;
my @pxy = undef;
 
    `wget $url -q -O ___html`;
    open FH, "<___html";
    @tmp = ;
    close FH;
    $res = join('',@tmp);
    undef(@tmp);
    `del ___html /s /q`;
 
@tmp = ( $res =~ /<img alt="" src="([^" border="0">]+)><//td>(/d+)'http://www.proxyfire.net'.$tmp[$i], 'port'=>$tmp[$i+1]};