利用Python實現自動識別圖片文字 -- OCR

文章目錄

• • 什麼是OCR？
  • 安裝Tesseract-OCR和pytesseract
  • 實現自動識別文字

什麼是OCR？

OCR，全稱Optical Character Recognition ，中文釋義為光學字符識別，是指對一個包含文本信息的圖片文件的識別，目前比較流行的OCR有tesseractOCR和cnOCR,在這篇文章中我們使用識別效果較好的tesseractOCR。

安裝Tesseract-OCR和pytesseract

首先我們要安裝tesseract，到這個網址下載：

Home · UB-Mannheim/tesseract Wiki (github.com)

自己按照電腦的位數選擇安裝包,下載下來。

下載下來後，打開安裝包。

選擇語言，沒有中文，只好選英文。

然後一直next，但是注意！在安裝語言時這個Additional lauguage data千萬不要全選，要不然下載過程特別慢，如果需要的話，只安裝裡面的 Chinese組件就行了。

接下來就比較簡單了。

安裝完成後我們還得添加環境變量，打開自己安裝tesseract的文件夾，復制路徑，在右鍵此電腦，選擇屬性，打開高級系統設置，打開環境變量，打開用戶變量的Path，新建變量，把復制的路徑粘貼進去，點確定就行了，可以通過cmd輸入 tesseract -v 再回車，如果出現了tesseract的版本信息就說明配置成功了。

然後為了在python中使用tesseract，我們需要安裝pytesseract，直接在cmd中用pip安裝就好了：

pip install pytesseract

（無視裡面的黃色字體，是我電腦的問題，對安裝什麼的沒有影響）

實現自動識別文字

打開python編輯器，把這段代碼復制進去：

import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = 'D://Tesseract-OCR//tesseract.exe' # 替換成你自己的tesseract安裝路徑
text = pytesseract.image_to_string(Image.open('D://input.png')) # 替換成要識別的圖片路徑
print(text)

這是我要識別的圖片：

運行後輸出為 Hello world ，識別率很高。

怎麼樣，好玩吧？不僅這樣，tesseract還可以識別中文！只不過得安裝相應的庫，這是下載鏈接：
https://github.com/tesseract-ocr/tessdata/blob/main/chi_sim.traineddata
下載下來中文訓練包後，把包放到tessdata中就可以識別中文了。