python ocr高精度识别_OCR识别-python版（一）

需求：识别图片中的文字信息

环境：windows系统

开发语言：python

使用工具类：1.pyocr

2.PIL

3.tesseract-ocr

步骤：

1.pyocr

网络通直接使用命令：

pip install pyocr

网络不通，转至https://pypi.python.org/pypi/pyocr/0.4.1下载安装

2.安装pil

网络通直接使用命令：

pip install PIL

网络不通，转至http://www.pythonware.com/products/pil/index.htm下载安装

3.安装tesseract-ocr

exe文件，下载后直接安装，建议默认安装过程中的选项，安装目录默认C:\Program Files (x86)\Tesseract-OCR，（尝试安装D盘后，在cmd中调用可以，但是在python中会出现找不到tesseract的配置目录的问题，后续再研究）

代码：

# coding=utf-8

__author__ = 'syq'

#https://github.com/tesseract-ocr

import sys

reload(sys)

sys.setdefaultencoding('utf-8')

import os

os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'

try:

from pyocr import pyocr

from PIL import Image

except ImportError:

print '模块导入错误,请使用pip安装,pytesseract依赖以下库：'

print 'http://www.lfd.uci.edu/~gohlke/pythonlibs/#pil'

print 'http://code.google.com/p/tesseract-ocr/'

raise SystemExit

tools = pyocr.get_available_tools()[:]

if len(tools) == 0:

print("No OCR tool found")

sys.exit(1)

print("Using '%s'" % (tools[0].get_name()))

print tools[0].image_to_string(Image.open('D:\\123.png'),lang='eng')

print tools[0].image_to_string(Image.open('D:\\3434.png'),lang='chi_sim')

#print tools[0].image_to_string(Image.open('D:\\3535.png'),lang='chi_sim')

文件内容：

123.png

3434.png

输出：

Using 'Tesseract (sh)'

7364

求彰只另UoCR第 1代

可以看到，在使用英文字库（eng）情况下，对数字识别挺准确的，但是在使用中文简体字库(chi_sim)情况下，对中文文字识别结果有点不尽人意。

在整个过程中可能会遇到的问题

1.如果控制台直接输出：“No OCR tool found”，说明未成功安装tesseract-ocr，debug查看get_available_tools，在该方法中回去查看本机已经安装有的ocr识别库，有三种，

libtesseract,

tesseract,

cuneiform,

本文使用的是第二种tesseract，

tesseract具体安装请转至。

2.在识别带中文的图片，会遇到报“allow_blob_division”的错误，

需要下载tesseract-ocr的中文库，地址：https://codeload.github.com/tesseract-ocr/tessdata/zip/master，里面包含tesseract多有的文字库，chi_sim.traineddata为简体中文库，将该文件放至C:\Program Files (x86)\Tesseract-OCR\tessdata目录下接下来的具体处理方法，转至：http://www.cnblogs.com/syqlp/p/5460971.html

基于百度云的OCR识别（Python）

2019年7月3日早上,在百度AI开发者大会上,一个来自山西的青年,将一瓶矿泉水浇在了同样来自山西的李彦宏身上. 可以回顾一下 https://b23.tv/av57665929/p1 ,着实让人一惊 ...

基于Python实现对PDF文件的OCR识别

http://www.jb51.net/article/89955.htm https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-pytho ...

Python&selenium&tesseract自动化测试随机码、验证码（Captcha）的OCR识别解决方案参考

在自动化测试或者安全渗透测试中,Captcha验证码的问题经常困扰我们,还好现在OCR和AI逐渐发展起来,在这块解决上越来越支撑到位. 我推荐的几种方式,一种是对于简单的验证码,用开源的一些OCR图片 ...

OCR识别-python3.5版

刚接触,啥子都不会,按着教程走 需求:识别图片中的文字信息环境:windows系统 开发语言:python3.5 使用工具类:1.pyocr 2.PIL 3.tesseract-ocr 步骤: 1.p ...

【转】Python OCR识别图片验证码

转载自:博客 对于某些网站登录的时候,往往需要输入验证码才能实现登录.如果要爬虫这类网站,往往总会比这个验证码导致无法爬取数据.以下介绍一种比较折中的方法,也是比较可行的方法: 实现思想: 1.通过截 ...

使用Python基于VGG/CTPN/CRNN的自然场景文字方向检测/区域检测/不定长OCR识别

GitHub:https://github.com/pengcao/chinese_ocr https://github.com/xiaofengShi/CHINESE-OCR |-angle 基于V ...

AI时代的OCR识别技术浅析

人工智能这个词可谓是耳熟能详,近几年人工智能热潮再次席卷而来,引起轰动的要数google的AlphaGo,相继打败了围棋界的韩国选手李世石以及世界冠军柯洁,见证了人工智能发展的里程碑式的变革,人工智能 ...

基于Tesseract的OCR识别小程序

一.背景 先说下开发背景,今年有次搬家找房子(2020了应该叫去年了),发现每天都要对着各种租房广告打很多电话.(当然网上也找了实地也找),每次基本都是对着墙面看电话号码然后拨打,次数一多就感觉非常麻 ...

数据结构：顺序表（python版）

顺序表python版的实现(部分功能未实现) #!/usr/bin/env python # -*- coding:utf-8 -*- class SeqList(object): def __ini ...

随机推荐

运维自动化轻量级工具pssh

1pssh介绍 pssh是python写的可以并发在多台机器上批量执行命令的工具,它的用法可以媲美ansible的一些简单用法,执行起来速度比ansible快它支持文件并行复制,远程命令执行,杀掉远程 ...

codeforces 742E (二分图着色)

E. Arpa's overnight party and Mehrdad's silent entering Note that girls in Arpa's land are really at ...

poj 1950 Dessert（dfs枚举,模拟运算过程）

/* 这个代码运行的时间长主要是因为每次枚举之后都要重新计算一下和的值! 如果要快的话,应该在dfs,也就是枚举的过程中计算出前边的数值(这种方法见第二个代码),直到最后,这样不必每一次枚举都要从头再 ...

UIButton之Block回调

本文主要介绍了两种改写UIButton的点击事件方法——继承UIButton跟给UIButton添加一个分类.附代码 方法一:继承UIButton UIButtonBlock.h文件 如下 #impo ...

C#获取ftp文件最后修改时间

public static DateTime GetFileModifyDateTime(string ftpServerIP,string ftpFolder,string ftpUserID,st ...

MongoDB C++ 2.4.5 driver 编译安装问题

安装参考前文,http://blog.csdn.net/sheismylife/article/details/8794589 方法一致.只不过这次在GCC4.8.1上编译. scons instal ...

【原创】讲讲亿级PV的负载均衡架构

引言 本来没想写这个题材的,为了某某童鞋能够更好的茁壮成长,临时写一篇负载均衡的.负载均衡,大家可能听过什么3层负载均衡.4层负载均衡.7层负载均衡什么的?那这是怎么分的呢,ok,是根据osi七层网络 ...

浏览器页面请求js、css大文件处理

当页面引用一个比较大的js和css文件时,会出现较大下载延迟,占用带宽的问题,如果一个应用里有很多这样的js或CSS文件,那么就需要优化了. 比如ext-all.js有1.4M,页面引用这个文件,正常 ...

Python 名称空间和作用域

a = 10 # lst = [1,2,3,4] # # # 内置函数 print("你好啊,我叫赛利亚") # def chi(): a = 10 b = 20 # # # # ...

数据库视图View的使用

一.视图的概念: 概念: 视图是指计算机数据库中的视图,是一个虚拟表,其内容由查询定义.同真实的表一样,视图包含一系列带有名称的列和行数据.但是,视图并不在数据库中以存储的数据值集形式存在.行和列数据 ...