基于python实现ocr

Python实现ocr

总是会需要将图片中的文字识别出来，这就需要ocr技术。已经有很多很好用的在线文字识别网站了。比如：http://www.ocrmaker.com/
但是其实我们自己就可以实现文字识别了，通过python很容易实现这一点。基于pyhton实现ocr主要是使用tesseract。

安装tesseract和pytesseract

tesseract 是一个OCR 库，是目前公认最优秀、最精确的开源OCR 系统。tesseract下载地址
pytesseract是对应的pyhton中的库。

• 安装tesseract
  进入页面后，可以随意下载一个版本。其中文件名中带有dev的为开发版本，不带dev的为稳定版本。

下载完成后，从下载目录中双击应用程序安装就可以了。安装的时候一直点击next就好。（建议不要在Additional language data前打上勾，它是用来安装语言包的，这样OCR就可以识别多国语言。但是因为我们网络的原因，我们很难成功下载其他的语言包，我们可以后续在GitHub中下载语言包。GitHub语言包下载地址 ，其实GitHub上的下载也不是很快而且会失败，但网上有很多教怎么从GitHub上下载的，实在无法下载，可以问我要。但注意语言包好像要和tesseract 匹配，所以识别英文很简单，想识别中文就有些麻烦。）

• 安装pytesseract
  安装 pytesseract就简单了，直接pip install pytesseract就可以了。
• 配置环境变量
  tesseract和pytesseract都安装好后，在使用前还有最后一步，就是配置环境变量，这是为了在全局使用方便。配置环境变量的方法也很简单。先找到属性，然后点击高级系统设置，再点击环境变量，找到path，然后双击，再最后添加tesseract的安装路径。比如我把tesseract安装到了D:\360极速浏览器下载，就在path中添加行D:\360极速浏览器下载就可以了。
  
  

• 检验是否成功
  都完成后，在cmd中输入tesseract -v，如果出现如下图所示的情况，就说明都已经成功了，可以在pyhton中使用了。

实别图片中的文字

都安装好后，识别图片中的文字就很简单了，只需要几行代码既可以解决。

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'D:\360极速浏览器下载\tesseract.exe'
img = Image.open(r'D:\p\python.png')
text = pytesseract.image_to_string(img)

print(text)

图片：

识别结果：

最后想要识别中文时，只需要一点小小的改动，就是在pytesseract.image_to_string(img)后面添加一个lang=‘chi_sim’（识别中文时，对黑白图片的效果更好，如果图片是彩色的可以先进行一些预处理。另外中文的识别效果不是很理想，不推荐使用。）

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'D:\360极速浏览器下载/tesseract.exe'
img = Image.open(r'D:\p\poem.png')
text = pytesseract.image_to_string(img,lang='chi_sim')

print(text)

图片：

识别结果：