基于python實作ocr

Python實作ocr

• Python實作ocr
• • 安裝tesseract和pytesseract
  • 實别圖檔中的文字

Python實作ocr

總是會需要将圖檔中的文字識别出來，這就需要ocr技術。已經有很多很好用的線上文字識别網站了。比如：http://www.ocrmaker.com/

但是其實我們自己就可以實作文字識别了，通過python很容易實作這一點。基于pyhton實作ocr主要是使用tesseract。

安裝tesseract和pytesseract

tesseract 是一個OCR 庫，是目前公認最優秀、最精确的開源OCR 系統。tesseract下載下傳位址

pytesseract是對應的pyhton中的庫。

• 安裝tesseract

  進入頁面後，可以随意下載下傳一個版本。其中檔案名中帶有dev的為開發版本，不帶dev的為穩定版本。

下載下傳完成後，從下載下傳目錄中輕按兩下應用程式安裝就可以了。安裝的時候一直點選next就好。（建議不要在Additional language data前打上勾，它是用來安裝語言包的，這樣OCR就可以識别多國語言。但是因為我們網絡的原因，我們很難成功下載下傳其他的語言包，我們可以後續在GitHub中下載下傳語言包。GitHub語言包下載下傳位址 ，其實GitHub上的下載下傳也不是很快而且會失敗，但網上有很多教怎麼從GitHub上下載下傳的，實在無法下載下傳，可以問我要。但注意語言包好像要和tesseract 比對，是以識别英文很簡單，想識别中文就有些麻煩。）

• 安裝pytesseract

  安裝 pytesseract就簡單了，直接pip install pytesseract就可以了。

• 配置環境變量

  tesseract和pytesseract都安裝好後，在使用前還有最後一步，就是配置環境變量，這是為了在全局使用友善。配置環境變量的方法也很簡單。先找到屬性，然後點選進階系統設定，再點選環境變量，找到path，然後輕按兩下，再最後添加tesseract的安裝路徑。比如我把tesseract安裝到了D:\360極速浏覽器下載下傳，就在path中添加行D:\360極速浏覽器下載下傳就可以了。

  

  

• 檢驗是否成功

  都完成後，在cmd中輸入tesseract -v，如果出現如下圖所示的情況，就說明都已經成功了，可以在pyhton中使用了。

  

實别圖檔中的文字

都安裝好後，識别圖檔中的文字就很簡單了，隻需要幾行代碼既可以解決。

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'D:\360極速浏覽器下載下傳\tesseract.exe'
img = Image.open(r'D:\p\python.png')
text = pytesseract.image_to_string(img)

print(text)
           

圖檔：

識别結果：

最後想要識别中文時，隻需要一點小小的改動，就是在pytesseract.image_to_string(img)後面添加一個lang=‘chi_sim’（識别中文時，對黑白圖檔的效果更好，如果圖檔是彩色的可以先進行一些預處理。另外中文的識别效果不是很理想，不推薦使用。）

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'D:\360極速浏覽器下載下傳/tesseract.exe'
img = Image.open(r'D:\p\poem.png')
text = pytesseract.image_to_string(img,lang='chi_sim')

print(text)
           

圖檔：

識别結果：