Python使用OCR工具库pytesseract笔记
suichentree 9/29/2024 Python
[toc]
# Python使用OCR工具库pytesseract笔记
pytesseract是基于Python的OCR工具库。其底层使用的是Google的Tesseract-OCR程序，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。
注意：如果要使用pytesseract库，我们需要先安装Tesseract-OCR程序
# 什么是OCR
OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字符或印刷文本字符，转换为机器编码文本的技术。
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。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。
# windows安装Tesseract-OCR程序
- Tesseract-OCR 下载地址：
https://digi.bib.uni-mannheim.de/tesseract/ - 下载最新版即可
- 双击exe程序，进行安装。注意安装时可以选择需要的语言包。
- 设置环境变量。将系统变量下的Path中添加Tesseract-OCR的安装地址。例如
C:\Program Files\Tesseract-OCR。 - 在windows命令行窗口中输入命令进行测试。
# 输入命令tesseract，如果出现下面则表示安装成功
> 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.
# 输入命令，查看tesseract下载的语言包
> tesseract --list-langs
List of available languages (3):
chi_sim
eng
osd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# 安装pytesseract库
# Pillow库 用于加载图片，并对图片进行处理
pip install Pillow
# pytesseract库 用于对图片中的文本进行OCR识别
pip install pytesseract
1
2
3
4
2
3
4
# 例子
如图为111.png
import pytesseract
from PIL import Image
# 设置Tesseract可执行文件的路径
pytesseract.pytesseract.tesseract_cmd = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'
if __name__ == '__main__':
# 加载图片
image = Image.open('111.png')
# 对图片文字进行OCR识别
# chi_sim 表示使用简体中文语言包
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)
# 识别结果如下
# 1 （单选题）《移动式压力容器安全技术监察规程》规定: 移动式压力容器长期停用，是指停用 () 及以上。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 多语言例子
若图片中包含了多种语言，则可以设置多语言。
# chi_sim+eng 表示为简体中文+英文
text = pytesseract.image_to_string(image, lang='chi_sim+eng')
1
2
2