采用EasyOCR将单个图像文件中的文本自动识别（OCR）

单个图像文件文本识别

运行方式：python ocrimg.py 图像文件名；
返回结果：文本识别结果保存在文件 图像文件名前缀.md 中；
可以在支持Markdown的编辑器中查看；
需要安装 easyocr 软件包和中文支持库。

TODO：1）截屏并识别，可复制。2）支持数学公式等符号识别

CF: https://www.jaided.ai/easyocr/modelhub/
Model Directory: C:\Users\Administrator.EasyOCR\model

代码

import easyocr
import os
import time
from sys import argv


def print_ocr(result):
    """将识别出来的文本分行打印
    1. 需要按照 box 的y轴坐标升序排列；
    2. 根据文本框的坐标来判断分行行数时。每行的像素超过多少合适？ 30 pixels？
    """

    def newlines(delta, pixels, flag=True):
        nline = int(delta//pixels)
        if nline < 5:
            return '\n'
        elif nline > 10:
            return '$\\\\[{0}em]$\n'.format(10) if flag else '\n'*11
        else:
            return '$\\\\[{0}em]$\n'.format(nline-1) if flag else '\n'*nline

    # 此处需要测试范例文件来决定 每行所占像素值是否符合源文件。
    px_line = 40
    rtxt = result[0][1]  # 第一个识别结果
    prestart = result[0][0][0]  # 第一个识别结果的坐标起点
    for txt in result[1:]:  
        #print(str(txt[1]))  ##是否顺序显示,确实按照 y 轴升序显示的。
        curstart = txt[0][0]
        deltax = curstart[1] - prestart[1]
        if deltax > px_line:
            #rtxt += '\n'*int(deltax//px_line)  #用空行
            rtxt += newlines(deltax, px_line)
            #flag=True 转化为Markdown的换行符, flag=False 还是采用换行符'\n'
        else:
            rtxt += ' '
        rtxt += txt[1]
        prestart = curstart

    return rtxt



if __name__ == '__main__':
    if len(argv) > 1:
        start = time.time()
        input_img = argv[1]
        
        if os.path.isfile(input_img): 
            infile = input_img
        else:
            print("输入的文件{0}不存在！".format(input_img))
            exit()

        sep = ' '
        enter = '<div STYLE="page-break-after: always;"></div>\n\n'
        outfile = argv[1].split(sep='.')[0] 
        if len(outfile) ==0:
            outfile = "temp_eocr"
        outfile = outfile + ".md"

        with open(outfile, encoding='utf-8', mode='a') as output:
            print("正处理 {0} ......".format(infile))
            output.write('## ' + infile + '\n\n')
            reader = easyocr.Reader(['ch_sim','en'], gpu = False)
            #,'la','ro'-->ValueError: Chinese_sim is only compatible with English, try lang_list=["ch_sim","en"]
            result = reader.readtext(infile, detail=1)  #detail=0:简化版，detail=1:详细版
            myLst = print_ocr(result)
            output.write(myLst+'\n\n')  #将本文件内容写入文件。
            output.write(enter)  #写入分页符 Markdown 格式中用的HTML 分页符

        print("运行耗时{0}秒！".format(time.time()-start))
    else:
        print("""
        使用说明：python ocrimg.py 文件名
        使用举例：python ocrimg.py imgfile.png
        """)

失败的识别举例

已–>巳, 时–>肘, x–>工, 大–>犬，n --> 兀, - --> 一, | -->1, 50–>S0, 距–>眍，8–>&, X --> 义丫

小时–>小肘，时间–>时闻; 笫一–>第一，笫二–>第二，笫三-第三，笫四-第四，笫五-第五,蔬菜-蔬莱，填入–>填人. 100–>IO0, 逗号,–>小数点

数学公式基本识别不了。

没有考虑使用频率，以及和词组关联。