提取图像中的文本信息（Tesseract OCR 和 pytesseract）

环境准备

安装Tesseract：点这里参考本人博客

下载第三方库

pip install Pytesseract

这个库只自带了一个英语的语言包，这个时候如果我们图片中有对中文或者其他语言的识别需求，就需要去下载其他语言包

下载其他语言包

进入官网以后进入Traineddata Files

找到这个位置
tessdata_best适用于愿意以大量速度换取稍微好一点的准确性的人。它也是 唯一可用于高级用户的某些再培训方案的文件集。

tessdata 中的第三组是唯一支持旧识别器的集合。4 年 00 月的 2016.4 文件既有旧版 LSTM 模型，也有旧版 LSTM 模型。tessdata 中的当前文件集具有旧模型和较新的 LSTM 模型（tessdata_best 中 00.00.<> alpha 模型的整数版本）。
点这里直接拿传送的到github的语言包下载地址
下载完成后将traineddata文件拷贝到tesseract的安装目录下tessdata中(像这样！！！！)

小案例

输出tesseract的版本号

import pytesseract

from PIL import Image
# 输出版本号
print(pytesseract.get_tesseract_version())

结果：5.0.1.20220107

输出能够识别的语言列表

import pytesseract

from PIL import Image
# 输出版本号
print(pytesseract.get_languages())

结果：['chi_sim', 'chi_sim_vert', 'eng', 'osd']

读取中文

import pytesseract

from PIL import Image

case = pytesseract.image_to_string(Image.open('a.png'), lang='chi_sim')
print(case)

读取英文

import pytesseract

from PIL import Image

case = pytesseract.image_to_string(Image.open('a.png'), lang='chi_sim')
print(case)

4、获取图片中文字的详细信息
image_to_data()用来获取识别出来的文字的详细信息，包含识别到的文本内容，可信度，位置等：

import pytesseract
from PIL import Image
im = Image.open('1.jpg')
获取图片中文字的详细信息
print(pytesseract.image_to_data(im, lang='chi_sim'))

5、识别图片中的文字和位置
image_to_boxes()用来获取识别出来的文字和位置信息：

import pytesseract
from PIL import Image
im = Image.open('1.jpg')
print(pytesseract.image_to_boxes(im, lang='chi_sim'))

识别osd信息
image_to_osd()返回识别到的osd信息：

import pytesseract
from PIL import Image

im = Image.open('c.png')
print(pytesseract.image_to_osd(im, lang='chi_sim'))

7、识别并生成xml文件
image_to_pdf_or_hocr()可以将识别的文字信息转为xml格式字节流，从而可以写入到xml文件中，其中入参extension设置为’hocr’：

import pytesseract
from PIL import Image

im = Image.open('c.png')
hocr = pytesseract.image_to_pdf_or_hocr(im, lang='chi_sim', extension='hocr')
with open('test.xml',"w+b") as f:
    f.write(hocr)
print(type(hocr))