windows 10 中使用 text2image 训练字库记录

对已安装安装字体的识别（不存在的字体，下载安装也是一样的），遇到的坑记录：

异常1：Fontconfig error: Cannot load default config file

解决方案：

配置环境变量：

FONTCONFIG_FILE: E:pythonTesseract-OCRfonts.conf
FONTCONFIG_PATH: C:WindowsFonts

fonts.conf没有，则自己创建，内容如下：

<?xml version="1.0"?>
<!DOCTYPE fontconfig SYSTEM "fonts.dtd">
<!-- C:WINDOWSfonts.conf file to configure system font access -->
<fontconfig>
<!-- 
    Find fonts in these directories
-->
 <dir>C:WINDOWSfonts</dir>

 <cache>C:WINDOWSCacheFontcache</cache>
 <cachedir>C:WINDOWSCacheFontcache</cachedir>

<!--
    Accept deprecated 'mono' alias, replacing it with 'monospace'
-->
  <match target="pattern">
    <test qual="any" name="family"><string>mono</string></test>
    <edit name="family" mode="assign"><string>monospace</string></edit>
  </match>

<!--
    Names not including any well known alias are given 'sans'
-->
<!-- seems not to work and therefore commented out
  <match target="pattern">
    <test qual="all" name="family" mode="not_eq">sans</test>
    <test qual="all" name="family" mode="not_eq">serif</test>
    <test qual="all" name="family" mode="not_eq">monospace</test>
    <edit name="family" mode="append_last"><string>sans</string></edit>
  </match>
-->
<!--
    Settings for TFT-Monitors
-->

 <match target="font" >
  <edit mode="assign" name="hinting" >
   <bool>true</bool>
  </edit>
 </match>
 <match target="font" >
  <edit mode="assign" name="hintstyle" >
   <const>hintfull</const>
  </edit>
 </match>
 <match target="font" >
  <edit mode="assign" name="antialias" >
   <bool>true</bool>
  </edit>
 </match>
 <match target="font" >
  <edit mode="assign" name="rgba" >
   <const>rgb</const>
  </edit>
 </match>
 
<!--
  Provide required aliases for standard names
-->
  <alias>
    <family>serif</family>
    <prefer>
      <family>DejaVu Serif</family>
      <family>Bitstream Vera Serif</family>
      <family>Times New Roman</family>
      <family>Thorndale AMT</family>
      <family>Luxi Serif</family>
      <family>Nimbus Roman No9 L</family>
      <family>Times</family>
    </prefer>
  </alias>
  <alias>
    <family>sans-serif</family>
    <prefer>
      <family>BPG Glaho International</family> <!-- lat,cyr,arab,geor -->
      <family>DejaVu Sans</family>
      <family>Bitstream Vera Sans</family>
      <family>Luxi Sans</family>
      <family>Nimbus Sans L</family>
      <family>Arial</family>
      <family>Albany AMT</family>
      <family>Helvetica</family>
      <family>Verdana</family>
      <family>Lucida Sans Unicode</family>
      <family>Tahoma</family> <!-- lat,cyr,greek,heb,arab,thai -->
    </prefer>
  </alias>
  <alias>
    <family>monospace</family>
    <prefer>
      <family>DejaVu Sans Mono</family>
      <family>Bitstream Vera Sans Mono</family>
      <family>Luxi Mono</family>
      <family>Nimbus Mono L</family>
      <family>Andale Mono</family>
      <family>Courier New</family>
      <family>Cumberland AMT</family>
      <family>Courier</family>
    </prefer>
  </alias>
</fontconfig>

异常2：Could not find font named 'xxxx'.

执行下面命令时（训练的第一步），报出的：

text2image --text="E:pythonTesseract-OCR rainingchi_sim.training_text.txt" --outputbase=naruto.FZYiHei-M20S.exp0 --font="FZYiHei-M20S" --fonts_dir="E:pythonTesseract-OCR raining"

解决方案：

通过命令查看可使用的字体：text2image --list_available_fonts --fonts_dir=C:\Windows\Fonts
确实该字体（FZYiHei-M20S，但我已经安装在windows中了）也没在列表中，列表中只有系统原装的那些字体。但在该fonts文件夹下有该字体，感觉很奇怪！找资料解决了很久
无意中把fonts_dir该到了我下在该字体.ttf的那个文件夹，就好了。
我晕~~ 搞半天，虽然安装了该字体，但字体文件没在windowsfonts下？而这个命令需要指定的是ttf文件所在的目录？那还需要安装吗？感觉都必要安装了啊~~

异常3：shapeclustering mftraining cntraining 这3个命令在win10下执行时，都会出现崩溃弹窗

怀疑是最新版本（5.0）兼容不好，换成3.0.5版本后，重复这些操作。通过了~

坑4：被训练的素材物料（文本文件），有格式要求的，不是随便排版的（_(¦3」∠)_）

这里还是建议下载官方的训练物料吧，链接：

https://raw.githubusercontent.com/tesseract-ocr/langdata/master/chi_sim/chi_sim.training_text

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

训练相关的命令：

查找可用的字体：
text2image --list_available_fonts --fonts_dir=C:\Windows\Fonts

用字体匹配要训练的文本，查看识别率（有些生僻字还是无法识别）：
text2image --text="E:pythonTesseract-OCR rainingchi_sim.training_text.txt" --outputbase=eng --fonts_dir="E:pythonTesseract-OCR raining" --find_fonts --min_coverage=1.0 --render_per_font=false

训练完整步骤>>
1. 生成~.tif 和 ~.box 文件：
text2image --text="E:pythonTesseract-OCR rainingchi_sim.training_text.txt" --outputbase=naruto.FZYiHei-M20S.exp0 --font="FZYiHei-M20S" --fonts_dir="E:pythonTesseract-OCR raining"

2. 产生字符特征文件（产生~.tr文件）
tesseract naruto.FZYiHei-M20S.exp0.tif naruto.FZYiHei-M20S.exp0 nobatch box.train

3. 计算字符集（产生~.unicharset文件）
unicharset_extractor naruto.FZYiHei-M20S.exp0.box

4. 定义字体特征文件
font_properties.txt
我的是FZYiHei-M20S 0 0 0 0 0

5、聚集字符特征
1) shapeclustering -F font_properties.txt -U unicharset naruto.FZYiHei-M20S.exp0.tr 注意：如果font_properties不加扩展名.txt，可能会报错
2) mftraining -F font_properties.txt -U unicharset -O naruto.unicharset naruto.FZYiHei-M20S.exp0.tr
使用上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件 naruto.unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符
特征数文件pffmtable。最重要的就是这个inttemp文件了，他包含了所有需要产生的字的图形原型。
3) cntraining naruto.FZYiHei-M20S.exp0.tr

6、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上 naruto.
执行combine_tessdata naruto.

7、测试
tesseract invoice2b.jpg invoice2bnum1 -l num1
tesseract C:UsersAdministratorDesktoppub_044.png output -l naruto