Python+Tesseract-OCR識别圖檔文字并儲存到word文檔

目錄

• 使用Python+Tesseract-OCR識别圖檔文字并儲存到word文檔
• • 安裝Tesseract-OCR
  • • 配置Tesseract-OCR
    • 通過CMD驗證Tesseract-OCR工作
  • 安裝pytesseract
  • 代碼示例
  • 示例驗證注意事項
  • 示例圖檔
  • 結果展示
  • 學習過程小結

使用Python+Tesseract-OCR識别圖檔文字并儲存到word文檔

本文通過使用 Tesseract-OCR 進行圖檔文本識别。并通過python進行後續處理把識别的文本儲存到word文檔。本文僅作為入門，由于對于中文圖檔的識别率并不高，需要後續優化。

安裝Tesseract-OCR

Tesseract是一個開源文本識别引擎，通過Apache 2.0授權可用。可以直接使用，或者通過接口程式設計從圖檔提取文本，該引擎廣泛支援各種語言，本文以Python為例說明：

1. 去Windows安裝包下載下傳頁面，選擇需要的

   位數

   版本.
2. 運作安裝包，一路 下一步 直至安裝完成；

配置Tesseract-OCR

添加安裝目錄到系統環境變量path，比如：

//添加安裝目錄到系統path
C:\Program Files (x86)\Tesseract-OCR;
           

通過CMD驗證Tesseract-OCR工作

安裝pytesseract

//cmd運作下列指令
pip install pytesseract
           

代碼示例

from PIL import Image
import pytesseract
import os
import io

tessdata_dir = '--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"'
txt = pytesseract.image_to_string(Image.open(
    './img/20180804.jpg'), lang='chi_sim', config=tessdata_dir)
print(txt)

if not os.path.exists('./result'):
    os.mkdir('./result')

with io.open('./result/test.doc', 'w') as fp:
    fp.write(txt)

                

示例驗證注意事項

中文圖檔需要使用參數 lang=‘chi_sim’

圖檔路徑可自己設定， 比如：D:/test.jpg

如果安裝Tesseract-OCR時未安裝該資料包， 可重新運作安裝程式，并選擇額外的語言包進行安裝

為避免系統變量設定問題程式不能找到訓練資料，建議設定

tessdata_dir

參數

print(txt) 為調試使用，可删除或者注釋掉

示例圖檔

結果展示

識别率不夠高，需要繼續優化，希望有高手指點（抱拳）

學習過程小結

學習流程圖：

Actions speak louder than words.

210 = 1024.