Python OCR工具pytesseract详解

pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg， png， gif， bmp， tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。

引言

OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据，比如1G的硬盘可以存储数百万本书。

OCR技术可以将图片，纸质文档中的文本转换为数字形式的文本。OCR过程一般包括以下步骤：

1. 图像预处理
2. 文本定位
3. 字符分割
4. 字符识别
5. 后处理

最初由惠普开发，后来Google赞助的开源OCR引擎 tesseract 提供了比较精确的文字识别API，本文将要介绍的Python库Pytesseract就是基于Tesseract-OCR 引擎。

环境配置

环境要求：

• Python 3.6+
• 太平船务库
• 安装Google Tesseract OCR
• 系统：windows/mac/linux，我的系统是Windows10

1. 安装谷歌 Tesseract

Tesseract OCR github地址： GitHub - tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository)

Windows Tesseract下载地址： Index of /tesseract

Mac和Linux安装方法参考： Introduction | tessdoc

安装时可以选择需要的语言包：

安装完成后，添加到环境变量PATH中，我的安装路径是： 。C:\Program Files\Tesseract-OCR

命令行窗口输入： ，查看是否安装成功。tesseract

<span style="color:#333333"><span style="background-color:#fefefe"><span style="color:#444444"><span style="background-color:#f6f6f6">$ tesseract
Usage:
  tesseract --<span style="color:#333333"><strong>help</strong></span> | --<span style="color:#333333"><strong>help</strong></span>-extra | --<span style="color:#333333"><strong>version</strong></span>
  tesseract --<span style="color:#333333"><strong>list</strong></span>-langs
  tesseract imagename outputbase [<span style="color:#333333"><strong>options</strong></span>...] [configfile...]

OCR option<span style="color:#bc6060">s:</span>
  -<span style="color:#333333"><strong>l</strong></span> LANG[+LANG]        Specify <span style="color:#333333"><strong>language</strong></span>(s) used <span style="color:#333333"><strong>for</strong></span> OCR.
NOTE: These <span style="color:#333333"><strong>options</strong></span> must occur before any configfile.

Single option<span style="color:#bc6060">s:</span>
  --<span style="color:#333333"><strong>help</strong></span>                Show this <span style="color:#333333"><strong>help</strong></span> message.
  --<span style="color:#333333"><strong>help</strong></span>-extra          Show extra <span style="color:#333333"><strong>help</strong></span> <span style="color:#333333"><strong>for</strong></span> advanced users.
  --<span style="color:#333333"><strong>version</strong></span>             Show <span style="color:#333333"><strong>version</strong></span> information.
  --<span style="color:#333333"><strong>list</strong></span>-langs          List available languages <span style="color:#333333"><strong>for</strong></span> tesseract engine.
</span></span></span></span>

2. 安装

Python tesseract： GitHub - madmaze/pytesseract: A Python wrapper for Google Tesseract

pip安装pytesseract

<span style="color:#333333"><span style="background-color:#fefefe"><span style="color:#444444"><span style="background-color:#f6f6f6"><span style="color:#333333"><strong>pip</strong></span> install pytesseract
</span></span></span></span>

另外需要安装一下Pillow库，用于图像处理。

<span style="color:#333333"><span style="background-color:#fefefe"><span style="color:#444444"><span style="background-color:#f6f6f6"><span style="color:#333333"><strong>pip</strong></span> install Pillow
</span></span></span></span>

文字识别小例子

先准备一张包含英文字符的图片，下面的代码实现提取图片中的中文和英文字符，并识别为字符串&