Python+Tesseract-OCR识别图片文字并保存到word文档

使用Python+Tesseract-OCR识别图片文字并保存到word文档

本文通过使用 Tesseract-OCR 进行图片文本识别。并通过python进行后续处理把识别的文本保存到word文档。本文仅作为入门，由于对于中文图片的识别率并不高，需要后续优化。

安装Tesseract-OCR

Tesseract是一个开源文本识别引擎，通过Apache 2.0授权可用。可以直接使用，或者通过接口编程从图片提取文本，该引擎广泛支持各种语言，本文以Python为例说明：

1. 去Windows安装包下载页面，选择需要的位数版本.
2. 运行安装包，一路 下一步 直至安装完成；

配置Tesseract-OCR

添加安装目录到系统环境变量path，比如：

//添加安装目录到系统path
C:\Program Files (x86)\Tesseract-OCR;

通过CMD验证Tesseract-OCR工作

安装pytesseract

//cmd运行下列命令
pip install pytesseract

代码示例

from PIL import Image
import pytesseract
import os
import io

tessdata_dir = '--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"'
txt = pytesseract.image_to_string(Image.open(
    './img/20180804.jpg'), lang='chi_sim', config=tessdata_dir)
print(txt)

if not os.path.exists('./result'):
    os.mkdir('./result')

with io.open('./result/test.doc', 'w') as fp:
    fp.write(txt)

示例验证注意事项

中文图片需要使用参数 lang=‘chi_sim’
图片路径可自己设定， 比如：D:/test.jpg

如果安装Tesseract-OCR时未安装该数据包， 可重新运行安装程序，并选择额外的语言包进行安装

为避免系统变量设置问题程序不能找到训练数据，建议设置tessdata_dir参数

print(txt) 为调试使用，可删除或者注释掉

示例图片

结果展示

识别率不够高，需要继续优化，希望有高手指点（抱拳）

学习过程小结

学习流程图：

Actions speak louder than words.

2¹⁰ = 1024.