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)