提取图片内容的 Python 程序

  🌈个人主页：易辰君-CSDN博客
🔥 系列专栏：https://blog.csdn.net/2401_86688088/category_12813012.html

目录

前言

一、安装依赖

二、下载安装chi_sim.traineddata文件

三、代码示例

---

前言

要编写一个提取图片内容的 Python 程序，可以使用 OCR（光学字符识别）技术。常用的库是 pytesseract，它结合了 Tesseract OCR 引擎。本次需求是使用python程序读取指定文件夹中的图片，提取图片中的文字内容，并且将提取的内容生成txt档案，txt档案与识别的图片单独放在一个文件夹中。由于图片中的内容是中文，还需要下载安装chi_sim.traineddata文件

---

一、安装依赖

首先，你需要安装 pytesseract 和 Pillow 这两个库。

pip install pytesseract Pillow

另外，还需要安装 Tesseract OCR 引擎：

• 对于 Windows，你可以从 这里 下载并安装 Tesseract。
• 对于 Ubuntu，可以通过以下命令安装：

sudo apt-get install tesseract-ocr

---

二、下载安装chi_sim.traineddata文件

（一）下载并安装 chi_sim.traineddata 文件

首先，确保已经下载并安装了中文的语言包 chi_sim.traineddata 文件。你可以从 Tesseract 语言包 页面下载语言文件：

• 下载 chi_sim.traineddata 文件：下载链接

（二）将 chi_sim.traineddata 文件放到正确的目录

找到 Tesseract 的安装目录，通常路径为：

• Windows: C:\Program Files\Tesseract-OCR\tessdata\

• Ubuntu: /usr/share/tesseract-ocr/4.00/tessdata/

将下载的 chi_sim.traineddata 文件放入该目录下的 tessdata 文件夹中。

（三）设置 TESSDATA_PREFIX 环境变量

你需要设置环境变量 TESSDATA_PREFIX，指向 tessdata 目录。以下是如何设置该环境变量的步骤：

Windows 系统：

1. 打开“控制面板” -> “系统和安全” -> “系统”。

2. 点击左侧的“高级系统设置”，然后点击“环境变量”。

3. 在“系统变量”部分，点击“新建”，然后创建一个新的变量：

   • 变量名：TESSDATA_PREFIX

   • 变量值：C:\Program Files\Tesseract-OCR\ （此路径为你安装 Tesseract 的路径，请根据实际情况修改）

   注意：不要将路径设置为 tessdata，而是 Tesseract 安装目录。

4. 确保这个路径是 tessdata 文件夹的上一级目录。

Ubuntu 系统：

在终端中，打开 .bashrc 文件并添加环境变量：

export TESSDATA_PREFIX=/usr/share/tesseract-ocr/4.00/

然后运行以下命令使其生效：

source ~/.bashrc

---

三、代码示例

import os
from PIL import Image
import pytesseract
import shutil

# 指定 tesseract.exe 的完整路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'


def extract_text_from_image(image_path):
    """从图片中提取文本"""
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang='chi_sim')  # 使用简体中文
    return text


def process_images_in_folder(source_folder_path):
    """处理文件夹中的所有图片，每张图片单独创建一个文件夹存储txt文件和图片"""

    # 遍历源文件夹中的所有图片文件
    for filename in os.listdir(source_folder_path):
        # 只处理图片文件
        if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.tiff', '.tif')):
            image_path = os.path.join(source_folder_path, filename)

            # 提取图片中的文字
            text = extract_text_from_image(image_path)

            # 创建以图片名称命名的文件夹
            folder_name = os.path.splitext(filename)[0]  # 使用文件名（无扩展名）作为文件夹名
            folder_path = os.path.join(source_folder_path, folder_name)

            if not os.path.exists(folder_path):
                os.makedirs(folder_path)

            # 生成txt文件路径
            txt_filename = folder_name + ".txt"
            txt_path = os.path.join(folder_path, txt_filename)

            # 将提取的文字写入到txt文件
            with open(txt_path, "w", encoding="utf-8") as txt_file:
                txt_file.write(text)

            # 将图片复制到同一个文件夹中
            new_image_path = os.path.join(folder_path, filename)
            shutil.copy2(image_path, new_image_path)

            print(f"图片和txt文件已保存到: {folder_path}")


if __name__ == "__main__":
    # 设置包含图片的文件夹路径
    source_folder_path = r"F:\程序员编程之路\图灵课堂\PythonProject\4.需求\2.提取图片中的文字\image_directory"  # 替换为存放图片的文件夹路径

    # 处理文件夹中的所有图片
    process_images_in_folder(source_folder_path)