pytesseract是基于Python的OCR工具， 底层使用的是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。
目录
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，比如1G的硬盘可以存储数百万本书。
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。OCR过程一般包括以下步骤：
- 图像预处理
- 文本定位
- 字符分割
- 字符识别
- 后处理
最初由惠普开发，后来Google赞助的开源OCR引擎 tesseract 提供了比较精确的文字识别API，支持100多种语言，本文将要介绍的Python库Pytesseract就是基于Tesseract-OCR 引擎。
环境配置
环境要求：
- Python 3.6+
- PIL库
- 安装Google Tesseract OCR
- 系统：windows/mac/linux，我的系统是Windows10
1. 安装Google Tesseract
Tesseract OCR github地址：https://github.com/tesseract-ocr/tesseract
Windows Tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/
Mac和Linux安装方法参考：https://tesseract-ocr.github.io/tessdoc/Installation.html
安装时可以选择需要的语言包：
安装完成后，添加到环境变量PATH中，我的安装路径是：C:\Program Files\Tesseract-OCR 。
命令行窗口输入：tesseract ，查看是否安装成功。
$ tesseract
Usage:
tesseract --help | --help-extra | --version
tesseract --list-langs
tesseract imagename outputbase [options...] [configfile...]
OCR options:
-l LANG[+LANG] Specify language(s) used for OCR.
NOTE: These options must occur before any configfile.
Single options:
--help Show this help message.
--help-extra Show extra help for advanced users.
--version Show version information.
--list-langs List available languages for tesseract engine.
2. 安装pytesseract
Python tesseract：https://github.com/madmaze/pytesseract
pip安装pytesseract
pip install pytesseract
另外需要安装一下Pillow库，用于图像处理。
pip install Pillow
文字识别小例子
先准备一张包含英文字符的图片，下面的代码实现提取图片中的中文和英文字符，并识别为字符串：
import pytesseract
try:
from PIL import Image
except ImportError:
import Image
# 列出支持的语言
print(pytesseract.get_languages(config=''))
print(pytesseract.image_to_string(Image.open('test.png'), lang='chi_sim+eng'))
识别下面图片中的文字（test.png）：
执行结果：
['chi_sim', 'eng', 'osd']
拳 列出支持的语言
print(pytesseract.get_languages (config=”))
print(pytesseract.image_to_string(Image.open('test.png'), lang='chi_sim+eng'))
获取文字位置信息
image_to_boxes() 方法返回识别到的字符及字符边框信息。image_to_data() 返回单词及单词位置信息。下面来看看这两种方法的执行效果，识别下图中的中文字符：
img = Image.open('testimg2.png')
print(pytesseract.image_to_boxes(img, output_type=Output.STRING, lang='chi_sim'))
print("#"*30)
print(pytesseract.image_to_data(img, output_type=Output.STRING, lang='chi_sim'))
执行结果：
生 63 211 80 227 0
存 81 209 118 227 0
是 122 211 139 226 0
文 126 200 154 231 0
明 142 210 157 226 0
的 162 209 197 227 0
第 200 217 218 219 0
一 221 209 236 226 0
需 217 200 253 231 0
要 239 209 259 226 0
。 260 211 266 216 0
猜 325 64 364 82 0
疑 364 64 481 82 0
链 373 54 393 86 0
和 383 54 403 86 0
技 403 54 435 86 0
术 419 54 451 86 0
爆 441 54 477 86 0
炸 469 54 485 86 0
##############################
level page_num block_num par_num line_num word_num left top width height conf text
1 1 0 0 0 0 0 0 566 279 -1
2 1 1 0 0 0 63 52 203 18 -1
3 1 1 1 0 0 63 52 203 18 -1
4 1 1 1 1 0 63 52 203 18 -1
5 1 1 1 1 1 63 52 55 18 96 生存
5 1 1 1 1 2 122 53 17 15 96 是
5 1 1 1 1 3 126 48 31 31 96 文明
5 1 1 1 1 4 162 52 35 18 96 的
5 1 1 1 1 5 200 60 18 2 91 第
5 1 1 1 1 6 221 53 15 17 93 一
5 1 1 1 1 7 217 48 42 31 93 需要
5 1 1 1 1 8 260 63 6 5 91 。
2 1 2 0 0 0 325 197 156 18 -1
3 1 2 1 0 0 325 197 156 18 -1
4 1 2 1 1 0 325 197 156 18 -1
5 1 2 1 1 1 325 197 156 18 94 猜疑
5 1 2 1 1 2 373 193 20 32 77 链
5 1 2 1 1 3 383 193 20 32 92 和
5 1 2 1 1 4 403 193 48 32 96 技术
5 1 2 1 1 5 441 193 44 32 94 爆炸
根据image_to_data() 方法返回的位置信息，下面来标出识别出的词语位置。
import numpy as np
import pytesseract
from pytesseract import Output
import cv2
try:
from PIL import Image
from PIL import ImageDraw
from PIL import ImageFont
except ImportError:
import Image
img = cv2.imread('testimg2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
width_list = []
for c in cnts:
_, _, w, _ = cv2.boundingRect(c)
width_list.append(w)
wm = np.median(width_list)
tess_text = pytesseract.image_to_data(img, output_type=Output.DICT, lang='chi_sim')
for i in range(len(tess_text['text'])):
word_len = len(tess_text['text'][i])
if word_len > 1:
world_w = int(wm * word_len)
(x, y, w, h) = (tess_text['left'][i], tess_text['top'][i], tess_text['width'][i], tess_text['height'][i])
cv2.rectangle(img, (x, y), (x + world_w, y + h), (255, 0, 0), 1)
im = Image.fromarray(img)
draw = ImageDraw.Draw(im)
font = ImageFont.truetype(font="simsun.ttc", size=18, encoding="utf-8")
draw.text((x, y - 20), tess_text['text'][i], (255, 0, 0), font=font)
img = cv2.cvtColor(np.array(im), cv2.COLOR_RGB2BGR)
cv2.imshow("TextBoundingBoxes", img)
cv2.waitKey(0)
执行结果：
另外说明一下， ImageFont.truetype(font="simsun.ttc", size=18, encoding="utf-8") 用于设置字体及编码格式，原因是draw.text() 默认使用ISO-8859-1（latin-1）编码，中文需要使用UTF-8编码。Windows中，字体存放路径一般为C:\Windows\Fonts ，已经添加到了环境变量，直接写字体名称就可以了，simsun.ttc 表示宋体。
如果不知道字体对应名称可以进入注册表查看：运行窗口或者命令行窗口输入regedit打开注册表，进入如下路径：HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows NT\CurrentVersion\Fonts ，可以查看对应字体文件名称。
多语言识别
使用方法
图片中可能包含了多种语言，比如在上面的例子中，图片包含了中文和英文，lang='chi_sim+eng' 表示识别简体中文和英文。
简体中文chi_sim是在安装tesseract时勾选的，get_languages() 方法列出了支持的语言，也可以在命令行窗口执行 tesseract --list-langs 查看支持的语言：
$ tesseract --list-langs
List of available languages (3):
chi_sim
eng
osd
或者查看官方文档：https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html
除了使用 lang='chi_sim+eng' 方式指定语言外，也可以使用config='-l chi_sim+eng' 形式：
img = Image.open('test.png')
config = r'-l chi_sim+eng --psm 6'
print(pytesseract.image_to_string(img, config=config))
执行结果和前面一样。
训练数据
如果需要下载其它语言包，可以到这里https://tesseract-ocr.github.io/tessdoc/Data-Files下载。
Tesseract 提供了三种训练数据：
| 训练数据 | 训练模型 | 识别速度 | 正确率 |
|---|---|---|---|
| tessdata_fast | LSTM | 最快 | 最低 |
| tessdata_best | LSTM | 最慢 | 最高 |
| tessdata | Legacy + LSTM | 中等 | 略低于tesdata -best |
根据自己的需要下载需要的模型文件，将traineddata文件放在 C:\Program Files\Tesseract-OCR\tessdata 目录（Tesseract安装目录）下就可以了。
tessdata_best可用来再训练字库，训练方法参考文档：https://tesseract-ocr.github.io/tessdoc/tess4/TrainingTesseract-4.00.html。
OCR选项
多语言识别中使用了 -l 和 --psm 选项，tesseract还支持更多的OCR选项。
OCR选项：
--tessdata-dir PATH：Specify the location of tessdata path.--user-words PATH：Specify the location of user words file.--user-patterns PATH：Specify the location of user patterns file.--dpi VALUE：Specify DPI for input image.-l LANG[+LANG]：Specify language(s) used for OCR.-c VAR=VALUE：Set value for config variables. Multiple -c arguments are allowed.--psm NUM：Specify page segmentation mode.--oem NUM：Specify OCR Engine mode.
在pytesseract中的使用方法是添加config参数：config='--psm 0 -c min_characters_to_try=5'
下面介绍一下psm和oem这两个选项。
图片分割模式（PSM）
tesseract有13种图片分割模式（page segmentation mode，psm）：
- 0 – Orientation and script detection (OSD) only. 方向及语言检测（Orientation and script detection，OSD)
- 1 – Automatic page segmentation with OSD. 自动图片分割
- 2 – Automatic page segmentation, but no OSD, or OCR. 自动图片分割，没有OSD和OCR
- 3 – Fully automatic page segmentation, but no OSD. (Default) 完全的自动图片分割，没有OSD
- 4 – Assume a single column of text of variable sizes. 假设有一列不同大小的文本
- 5 – Assume a single uniform block of vertically aligned text. 假设有一个垂直对齐的文本块
- 6 – Assume a single uniform block of text. 假设有一个对齐的文本块
- 7 – Treat the image as a single text line. 图片为单行文本
- 8 – Treat the image as a single word. 图片为单词
- 9 – Treat the image as a single word in a circle. 图片为圆形的单词
- 10 – Treat the image as a single character. 图片为单个字符
- 11 – Sparse text. Find as much text as possible in no particular order. 稀疏文本。查找尽可能多的文本，没有特定的顺序。
- 12 – Sparse text with OSD. OSD稀疏文本
- 13 – Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific. 原始行。将图像视为单个文本行。
OCR引擎模式（OEM）
有4种OCR引擎模式：
- 0 – Legacy engine only.
- 1 – Neural nets LSTM engine only.
- 2 – Legacy + LSTM engines.
- 3 – Default, based on what is available.
方向及语言检测OSD
Tesseract支持方向及语言检测（Orientation and script detection，OSD) ，比如检测下面的图片：
osd = pytesseract.image_to_osd('osd-example.png',config='--psm 0 -c min_characters_to_try=5')
print(osd)
其中 min_characters_to_try 表示设置最小字符数，默认为50。
执行结果：
Page number: 0
Orientation in degrees: 90
Rotate: 270
Orientation confidence: 0.74
Script: Han
Script confidence: 0.83
结果是旋转了270度，识别到的语言为中文Han。
提取数字
只提取下面图片中的数字：
img = Image.open('number-example.png')
config = r'--oem 3 --psm 6 outputbase digits'
osd = pytesseract.image_to_string(img, config=config)
print(osd)
执行结果：
1200-.41194-.
4-.
12000000
11994933.
-119940218
119932207
1199251
119915241
119907238
-119853209
1119450495
.-11941637
字符白名单
只检测特定的字符：只检测数字
img = Image.open('number-example.png')
config = r'-c tessedit_char_whitelist=0123456789 --psm 6'
print(pytesseract.image_to_string(img, config=config))
执行结果：
12001194
12000000
11994933
11994018
11993207
11992851
11991541
11990738
11985309
11945049
11941637
发现识别精度比 outputbase digits 方法更加准确。
字符黑名单
不检测数字：
img = Image.open('number-example.png')
config = r'-c tessedit_char_blacklist=0123456789 --psm 6'
print(pytesseract.image_to_string(img, config=config, lang='chi_sim'))
执行结果：
胶片很快冲出来了，他开始查看哪张值得放大洗成照片，
在第一张就发现了一件离奇的事。一个倒计时。倒计时从
小时开始，到现在还剩余 小时。
这张拍的是一个大商场外的一小片草地，他看到底片正中
有一行白色的东西，
细看是一排数字: : :
第二张底片上也有数字: l]: : -。
第三张: l : : lg，
第四张: : : ，
第五张: ] : : l;
第六张: : : l，
第七张: l : o : g ;
第八张: lg : : ;
第三十四张: : :
第三十六张，也是最后一张: : :
格式转换
pytesseract 支持将图片转换为PDF、HOCR以及ALTO XML格式。
pdf = pytesseract.image_to_pdf_or_hocr('testimg2.png', extension='pdf')
with open('test.pdf', 'w+b') as f:
f.write(pdf)
hocr = pytesseract.image_to_pdf_or_hocr('testimg2.png', extension='hocr')
xml = pytesseract.image_to_alto_xml('testimg2.png')
世人多巧, 心茫茫然。 by 王阳明
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
