Python图转文字OCR——tesserocr

1. 简介

Tesseract是一款OCR（光学字符识别）引擎。Tesseract4的OCR引擎使用LSTM实现，同时保留Tesseract3的识别模式

Tesseract支持UTF-8，能识别超过100种语言，开箱即用

Tesseract支持多种输出格式：纯文本、HTML、PDF、TSV等

Tesseract只支持命令行，要用GUI的话看第三方库

2. 安装

2.1 tesseract

tesseract下载地址

1. 下载最新版，带dev的为开发版，本人下载的是tesseract-ocr-w64-setup-v5.0.0.20190623.exe
2. 勾选Additional script data (download)和Additional language data (download)，下载速度很慢，请自行选择需要的语言
3. 配置环境变量，Path：C:\Program Files\Tesseract-OCR
4. 配置环境变量，新建变量名TESSDATA_PREFIX，变量值C:\Program Files\Tesseract-OCR\tessdata;
5. 命令行tesseract -v看版本

`

2.2 pytesseract

pip install pytesseract

pip install pillow

3 测试

测试图片

3.1 tesseract

命令行执行命令tesseract image.png result，识别结果输出为result.txt

结果为：

Python3WebSpider

3.2 pytesseract

import pytesseract
from PIL import Image

image = Image.open("image.png")
print(pytesseract.image_to_string(image))

结果为：

Python3WebSpider

尝试识别中文

import pytesseract
from PIL import Image
import matplotlib.pyplot as plt

image = Image.open("image.jpg")
plt.imshow(image)
plt.show()
print(pytesseract.image_to_string(image, lang='chi_sim'))

结果为：

富强民主文明和谐
自由平等公正法治
爱围敬业诚信友善

中文识别效果很差

提高识别准确率需训练字库

参考文献

1. Python3网络爬虫开发实战
2. Tesseract 教程
3. pytesseract官方文档
4. 深入学习Tesseract-ocr识别中文并训练字库的方法
5. Tesseract-OCR识别中文与训练字库实例