pytesseract安装和基本使用

1. 安装配置和测试

pytesseract是google的tesseract的一个python版本的接口库，想要真正使用，首先需要安装tesseract

1.1 tesseract安装

1. 下载安装tesseract，去这个网址下载：https://digi.bib.uni-mannheim.de/tesseract/。（或者在github的wiki页面上也可以找到这个页面进行下载），根据Tesseract document可知，Tesseract4.0及以上配备了LSTM网络，之前的低版本是没有的，所以按照自己需求去找相应的版本。
2. 双击安装，记得勾选中文包（这个下载比较慢）
   
3. 配置系统环境变量，只要配置到tesseract.exe所在的文件夹那一级就行（记住你的安装路径，经评论区提醒，有的可能在C:\Program Files\Tessercat-OCR里）
   
4. 测试是否安装成功，在命令行输入tesseract --help查看是否会返回一些提示信息。
   
   或者可以直接测试一张含有文字的图片，看看效果，tesseract image.png result

   > tesseract 9450.jpg result       
   > Tesseract Open Source OCR Engine v5.0.0.20190623 with Leptonica  
   > Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 319  
   
   # 然后会在当前命令路径下看到一个result.txt，其中存放在识别结果         
   

1.2 pytessract安装

上面那个搞好了，这个就很好搞，直接

pip install pytesseract
# 或者通过conda安装
conda install -c conda-forge pytesseract

2. 简单使用和参数说明

2.1 无法调用

如果报错：

XXXX
FileNotFoundError: [WinError 2] 系统找不到指定的文件。
XXXX
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your path

有两种解决方案，

---

一种是在pytesseract.py脚本中更改tesseract_cmd路径为tesseract安装路径（根据自己本机的安装路径去写），要具体到tesseract.exe文件，但是不用写.exe这个后缀

---

另一种就是每次在代码中加入以下代码，指明tesseract_cmd命令的位置，方便pytesseract调用：

tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract'
pytesseract.pytesseract.tesseract_cmd =tesseract_cmd

2.2 基本用法

以下代码粘贴自jupyter notebook文件，

from PIL import Image
import pytesseract
import matplotlib.pyplot as plt  
%matplotlib inline

path="9450.jpg"

"""
🐬指明tesseract命令位置
"""

tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract'
pytesseract.pytesseract.tesseract_cmd =tesseract_cmd

"""
 👻基础的图片转换为文字
"""

# 显示
image=Image.open(path)
plt.figure(figsize=(2,2))
plt.axis('off')
plt.imshow(image)

print(pytesseract.image_to_string(image))


"""
🤠当前支持的语言 osd On Screen Display 屏幕显示字符
"""
print(pytesseract.get_languages(config=''))

"""
🤓尝试修改语言参数
"""
print(pytesseract.image_to_string(image, lang='osd'))

"""
🐱‍👓识别超时就停止
"""
try:
    print(pytesseract.image_to_string(image, timeout=2)) # Timeout after 2 seconds
    print(pytesseract.image_to_string(image, timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error:
    # Tesseract processing is terminated
    pass

"""
🎅将识别结果导出成文字可选的pdf
这个达成的效果，就是会把图片转成pdf，同时其中的文字会是可编辑/可选的
"""
pdf = pytesseract.image_to_pdf_or_hocr(Image.open("1.png"), extension='pdf')
with open('test.pdf', 'w+b') as f:
    f.write(pdf) # pdf type is bytes by default

"""
💌修改参数
"""
configdigit='--psm 6 --oem 1'
print(pytesseract.image_to_string(img_cv,config=configdigit))

configdigit='--psm 6 --oem 3  -c tessedit_char_whitelist=0123456789'
print(pytesseract.image_to_string(img_cv,config=configdigit))

"""
🍳关于其中的psm参数和oem参数，可以查看帮助文档
"""
! tesseract --help-extra
> Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR. (not implemented)
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
       bypassing hacks that are Tesseract-specific.

OCR Engine modes:
  0    Legacy engine only.
  1    Neural nets LSTM engine only.
  2    Legacy + LSTM engines.
  3    Default, based on what is available.

参考：

• pytesseract psm 选项参数