tesseract简介
OCR(Optical Character Recognition)即光学字符识别技术,专门用于对图片文字进行识别,并获取文本。
tesseract-ocr引擎先由HP实验室研发,后来成为一个开源项目,主要由google进行改进优化。
安装tesseract
brew install tesseract
测试tesseract:
test.jpg:
tesseract test.jpg output #识别test.jpg的图片,把结果放到output.txt中
python接口
python有着更加优雅的方式调用系统的tesseract工具,首先安装pytesseract模块
pip3 install pytesseract
pytesseract是对tesseract的封装,要和PIL联合使用,基本用法如下:
import pytesseract
from PIL import Image
img = Image.open('./test.jpg') #先创建image对象
text = pytesseract.image_to_string(img) #直接转化成string,更多参数可以查看文档
print(text) #"OFXo"