Python通过Tesseract实现OCR

引言

OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据。OCR技术可以将图片，纸质文档中的文本转换为数字形式的文本。
本文将要介绍的Python库Pytesseract就是基于Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。

1. 安装Tesseract

Tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/

无脑下一步：

在这里需要中文识别的朋友可以挑选下载额外的语言文本包：

2. 为Tesseract配置系统环境

在系统环境变量的Path中新增路径，即Tesseract的安装路径，点击确定保存。

完成后可以用tesseract -v来查看Tesseract的版本信息，若出现类似下图输出则为配置成功：

3. 安装配套的Python库

pip install pytesseract
pip install pillow

4. 简单实例演示

from PIL import Image  
import pytesseract  

# 打开图片  
image = Image.open("test.png")  
# 识别图片中的文字  
text = pytesseract.image_to_string(image)  
print("识别结果：", text)