题图:https://unsplash.com/@alvaroserrano
在一个项目中遇到这样的需求,要把一堆图片中的文字识别出来并分门别类地保存数据库,上万字纯手工敲是下下策,网上有很多图片转文字的在线服务,单张图转没什么问题,可惜大批量的图缺乏定制化,爱捣鼓的程序员还是自己动手靠谱,开源项目 Tesseract 专用于 OCR 识别,它的应用场景非常多,比如验证码识别、车牌识别、普通的文字图片识别都不是问题。
安装
Linux 和 Mac 平台的安装非常简单,直接命令行安装即可,默认只有英文语言包,汉语包需要额外指定
sudo apt-get install tesseract-ocr # ubuntu
brew install tesseract # macOS
Windows 平台需要二进制安装包,官方下载地址 https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows,安装时需要选择中文语言包才是识别汉字
配置
安装完成后,需要设置两个环境变量 $PATH 和 $TESSDATA_PREFIX,如果不指定后面会报错,把 tessertact 的安装路径加入 PATH 变量中,TESSDATA_PREFIX 变量的值指定为语言包的路径
实战
Python-tesseract 是 tessertact 的 Python 封装包,它需要依赖图片处理库 PIL(Pillow),环境搭建完成后就可以开始做定制化开发了。
以下我以杜甫的《登高》作为 demo 从中提取出其中的文字
# pip install pytesseract 先安装依赖包
try:
import Image
except ImportError:
from PIL import Image
import pytesseract
# lang 指定中文简体
text = pytesseract.image_to_string(Image.open('dufu-denggao1.jpeg'), lang='chi_sim')
print(text)
输出结果:
风 急 天 高 猿 哨 哀 , 渚 清 沙 白 鸟 飞 回 。 无 边 落 木 萧 萧 下 , 不 尽 长 江 滚 滚 来 。 万 里 悲 秋 常 作 客 , 百 年 多 病 独 登 台 。 艰 难 苦 恨 繁 霜 鬓 , 漫 倒 新 停 浊 酒 杯 。
你可以根据自己的业务需求进行自定义开发,为了适应不同的环境下的图片,你可能需要了解更多 Tesseract 的API,以此来提高文字识别的准确率。 如果你有兴趣,甚至基于公众号开发,用户上传图片,自动识别出文字,提供收费服务也不是没有可能。
关于Tesseract
Tesseract 有超过 30 年的历史,它最早诞生于HP实验室,在 2005 年,Tesseract由美国内华达州信息技术研究所获得,其后由 Google 赞助进行后续的开发和维护。
下面的几篇 Tesseract 相关的论文非常适合研究生做课题设计
WIKI:https://github.com/tesseract-ocr/tesseract/wiki
论文:https://github.com/lzjun567/the-Papers-and-Data-of-Tesseract-OCR-
iOS & Android 两用赞赏通道,赞赏记得留个言
关注Python之禅,提高Python技术