用Python&Tesseract识别图片文字

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