OCR光学识别—基于Tesseract-OCR+Python

文章导语

为了收“青年大学习”截图不用核对名单…，因为我感觉一个一个核对这种做法有点小“stupid”：），那就找个快点的方法吧。

准备工作

一、下载Tesseract

Tesseract是一个光学识别引擎，2006年由Google赞助开发，被认为是最精准地开源光学字符识别引擎之一，支持世界上100多种语言。
Tesseract Download Here

二、安装Tesseract

下载完后最好默认安装否则可能会报错。

三、将Tesseract安装目录加入用户路径和系统路径
比如我的安装路径是E:\Tesseract-OCR
控制面板——>系统和安全——>系统——>高级系统设置——>环境变量——>新建环境变量

四、打开DOS窗口

输入tesseract -v，如果出现以下结果，那么恭喜你，安装成功了！

五、下载语言包

默认安装的话，它本身带有English的语言包eng.traineddata，然后在下面汉语的语言包，当然你也可以根据自己的需要下载其他语言包。
Download language package Here
然后放在Tesseract安装目录下的Tessdata文件夹下。
注意：下载语言包时注意版本选择。

六、OCR识别

在DOS窗口输入：

tesseract img_path save_result_filename

即可完成识别，不过此条命令只能识别英文和数字。
如果想要识别中文，在DOS窗口输入：

tesseract img_path save_result_filename -l chi_sim

即可完成中文识别。

实现过程

首先需要pip install pytesseract

# -*- coding:utf-8 -*-
# /usr/bin/env python

"""
Author: Zhu Huaren
Date: 2020/2/3 22:39
"""

from PIL import Image
import pytesseract
import os
import threading

"""其实我本想按照学号来核对的，11位的学号要求必须精确，但是有的截得图字体比较非主流，所以就用了下面这种“模糊”的方法，one_of_name里面放的是每人名字里面的一个特有的字，这些字的识别度比较准确，而且相对来说比较特殊"""
one_of_name = ["雪","丽","铭","咏","柳","意","萌","杰","蓉","璇","琳","凯","雅","奇","朱",
        "树","娜","捷","婷","林","宁","强","路","宗","梦","洋","霖","怡","谭","晴"]

names = ["此处应是我班同学名单，但是涉及到隐私，我就不放了"]

mess_data = []
# 读取文件夹内的所有图片
pictures = os.listdir("C:\\Users\仁义\Desktop\临时文件\\2017级金本七班30人")
def Get_mess_data():
    for picture in pictures:
        image_path = "C:\\Users\仁义\Desktop\临时文件\\2017级金本七班30人\\" + picture
        image = Image.open(image_path,mode='r')
        string= pytesseract.image_to_string(image,lang="chi_sim")
        for character in string:
            mess_data.append(character)
           
def Unfished_list():
    for o in one_of_name:
        if o in mess_data:
            for n in names:
                if o in n:
                    names.pop(names.index(n))
                    
get_mass_data = Get_mess_data()
unfished_list = Unfished_list()
t1 = threading.Thread(target=get_mass_data)
t2 = threading.Thread(target=unfished_list)
t1.start()
t2.start()
# 此处输出的即是还没交截图同学的名单
print(names)

文章结语

本来文章导语写一堆，后来告诉我审核不通过，结语也懒得写了，希望能和各位读者互相交流学习。