将图片翻译成文字的技术被称为光学文字识别,即OCR(Optical Character Recognition)技术
- Tesseract 是有谷歌赞助的,目前公认最优秀、最准确的开源OCR库
- 安装
- 下载exe文件,https://digi.bib.uni-mannheim.de/tesseract/,目前最新版本为 tesseract-ocr-w64-setup-v5.0.0-alpha.20201127.exe
- 下载数据集:链接:https://pan.baidu.com/s/1HQTtLEKAJeF5KT4JcwYHMg
提取码:apoj - 保险起见,尽量降低文件路径深度,并且路径尽量不要含有中文,可参照
D:\Tesseract-OCR\tesseract.exe
,D:\Tesseract-OCR\tessdata
- 设置环境变量,如果想要在命令号中使用:将tesseract.exe所在路径添加到PATH环境变量中。同时将训练的数据文件路径也放到环境变量中,如图,在环境变量中添加TESSDATA_PREFIX=tessdata路径
- 检查安装是否成功:cmd 输入命令
tesseract --version
,如果显示版本即安装成功 - 使用
- 命令行
tesseract 图片路径 文件路径
- 实例
tesseract demo.jpg file1
- python
pip install pytesseract -i https://pypi.douban.com/simple
最后再说明 一下,这个识别率高是相对于开源的OCR库来说,咳咳,毕竟不要钱嘛,如果对识别率较高可以使用打码云平台来识别,要花点小钱哈。import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract.exe' tessdata_dir_config = r'--tesseract-dir "D:\Tesseract-OCR\tessdata"' image = Image.open('bb.png') print(pytesseract.image_to_string(image, lang='eng', config=tessdata_dir_config))
- 命令行