Python——图片文字识别与提取

Python——图片文字识别与提取

在工作中，有时候会有大量的截图、拍照数据需要提取，传统只能人工录入。但随着人工智能的发展，OCR技术已经可以实现了图片的文字识别，本节就讲讲如何安装部署文字识别环境，并进行文字识别实战。

<1> 前置条件

1、掌握Python的基本知识

2、会使用pip安装扩展包

3、下载安装pytesseract软件

4、会配置Windows的环境变量。

<2> 使用pip安装pytesseract扩展包

使用pytesseract包的第一步是使用pip安装该软件包。在命令提示符环境中，输入如下指令：

pip install pytesseract

等待上述指令提示安装安装即可，如果出错，大概率是你的网络问题。如下：

看到Successfully表示pytesseract包安装成功。

<3> 安装window配套软件包

登录https://digi.bib.uni-mannheim.de/tesseract/网站，下载对应版本的软件。如下：

然后打开软件，开始软件的安装。如下先选择安装的语言，建议默认English即可，因为改为其它语言可能出现意想不到的错误。点击OK即可。

出现如下界面，点击Next即可。

这里会出现License Agreement，这是一个授权条款，点击I Agree即可，如下：

出现Choose Users界面，意思是你安装的软件谁可以用。建议默认，如果选择just for me会将软件安装到用户目录下。这里直接点击Next即可。

 接下来是Choose Components，即选择组件。默认支持英文、数字的识别，如果要支持中文识别需要勾选Additional script data（han开头的4个）和Additional language data（chinese开头的4个）两项的中文内容。  然后点击Next，如下：

这里是安装目录，建议默认，直接点击Next即可。

接下来是选择是否将其添加到开始菜单，建议默认，直接点击Install。

然后等待安装完成，如下。

出现如下界面，表示安装完成。点击Next即可。

最后点击Finish按钮，结束程序安装。

<4> 配置环境变量

在Windows系统环境下使用，需要配置环境变量，主要涉及两个。

第一个是path变量需要新增tesseract的安装目录。我采用的默认路径，所以是："C:\Program Files\Tesseract-OCR"。

第二个是path变量需要新增tesseract的数据目录。如下：需要先新增一个变量名“TESSDATA_PREFIX”，变量值设置为："安装路径\tessdata"。我采用的默认路径，所以是："C:\Program Files\Tesseract-OCR\tessdata"，如下：

然后将新建的变量名添加到path变量列表中，如下：

完成上述步骤后，需要重启电脑，否则接下来的步骤可能会失效。

验证是否安装成功，在命令提示符下输入tesseract --version，如果出现如下类似信息即表示成功，否则配置失败。

<5> 图片文字识别

现在有了环境之后，小编就随便在网上找一个图来测试一下，看看效果如何，下面是在随便找的一个路牌图片。

写一个字符提取脚本，如下：

# 导入相关包
from PIL import Image
import pytesseract

# 打开图片
p='test.png'
im = Image.open(p)

# 使用包进行文字识别
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
text = pytesseract.image_to_string(im, lang='chi_sim')
print(text)

上述代码中，除了我们安装的包pytesseract外，还使用了PIL包，主要是利用PIL.Image完成图片的读取，这里可以不必理会，按照给定的语法使用就行。

利用该代码，输入的结果如下：

从识别的结果来看，能够识别部分文字，但对于框框内的文字识别出现了错误。对于此类问题需要对代码进行适当调优，从而去除框框的影响，有兴趣的小伙伴可以继续深入研究。