Python中使用tesserocr库进行图文识别

---

一、tesserocr简介

tesserocr是一个简单、Pillow友好、基于tesseract-ocr API封装的用于光学字符识别(OCR，Optical Character Recognition)的Python库。在使用tesserocr之前需要先安装tesseract。

---

二、下载安装

提示：以下以在Wondiws中安装为例，其他环境中的安装参考【参考文献1】

1. 使用tesserocr需要先安装tesseract，进入下载页面，根据自己的需求选择对应安装包
   

2. 运行.exe文件进行安装，其中可根据自己需求勾选Additional language data(download)选项或其展开后的选项来安装OCR支持的其他语言包(需要联网，内网环境的话见后续章节【四、问题记录】)
   

3. 配置环境变量
   1>将tesseract的安装目录（tesseract.exe所在目录）添加到系统变量path
   
   2>新建系统变量TESSDATA_PREFIX，将tesseract安装目录下的tessdata目录添加到该变量
   
   3>在命令提示符窗口中输入tesseract --version检查确保已正常安装tesseract并完成环境变量的配置

---

三、简单使用

提示：以下以在Wondiws中Python3.8环境下使用为例

1. 安装tesserocr、pillow库

   pip install tesserocr pillow
   

   直接pip install tesserocr可能会失败，可以下载对应.whl文件进行安装（注意选择和自己的python版本以及系统匹配的文件，下面.whl文件的路径需替换为自己的实际路径）

   pip install E:\pypi\tesserocr\tesserocr-2.6.0-cp38-cp38-win_amd64.whl
   

2. 简单使用

   # encoding=utf-8
   """
   文字识别工具类
   """
   import tesserocr
   
   from PIL import Image
   
   
   class TesserOCRUtil:
   
       @staticmethod
       def get_languages():
           """
           获取当前环境中支持的语言
           :return: 包含两个元素的元组，分别为tessdata父级目录路径、当前环境中支持的语言集合
           """
           return tesserocr.get_languages()
   
       @staticmethod
       def image_to_text(img: Image, lang: str = 'chi_sim'):
           """
           从图片中识别文字
           :param img: 图片
           :param lang: 图片中的语言
           :return: 识别出的文字内容
           """
           return tesserocr.image_to_text(img, lang)
   
       @staticmethod
       def file_to_text(img_path: str, lang: str = 'chi_sim'):
           """
           从文件中识别文字
           :param img_path: 文件路径（包含中文会报错）
           :param lang: 文件中的语言
           :return: 识别出的文字内容
           """
           return tesserocr.file_to_text(img_path, lang)
   
   
   if __name__ == '__main__':
       # print(TesserOCRUtil.get_languages())
   
       # image = Image.open('2024-03-08_111808.png')
       # image = Image.open('chinese.png')
       # print(TesserOCRUtil.image_to_text(image, 'chi_sim'))
   
       print(TesserOCRUtil.file_to_text('chinese.png', 'chi_sim'))
   
   

---

四、问题记录

1.内网环境安装语言包

方法一：点击此处下载需要的语言包放到安装目录下的tessdata目录下
方法二：如果想要安装所有支持的语言包嫌一个个下载麻烦，也可直接在外网环境安装所有语言包把外网环境的拷贝过来

2.从文件中识别文字报错RuntimeError: Failed to read picture

遇到该问题可能是因为文件路径或文件名中存在中文，换成全英文或许可解决该问题。

---

五、参考文献

【1】sirfz/tesserocr: A Python wrapper for the tesseract-ocr API
【2】语言包下载地址
【3】tesserocr · PyPI