如何使用Python进行OCR识别图片中的文字

程序员文章站 2024-02-07 23:23:52

朋友需要一个工具，将图片中的文字提取出来。我帮他在网上找了一些ocr的应用，都不好用。所以准备自己研究，写一个web app供他使用。 ocr1，全称optical ch...

朋友需要一个工具，将图片中的文字提取出来。我帮他在网上找了一些ocr的应用，都不好用。所以准备自己研究，写一个web app供他使用。

ocr1，全称optical character recognition，或者optical character reader，中文译名叫做光学文字识别。它是把图像文件中的手写文本，打印文本转换为机器编码文本的一种方法。

ocr技术广泛用于识别打印纸张中的文字数据 -- 比如护照，支票，银行声明，收据，统计表单，邮件等。ocr的早期版本，需要对图片中的每个文字都进行训练，一次只能作用于一种字体。高级的版本增加了很大的识别率，可以同时识别现在很多流行的字体，支持不同种类格式的图片文件。一些系统可以生成接近于原来图片格式的输出，包括图片，排版，以及其它非文本组件，这也叫做版面还原。

工具

tesseract

现在最出名，最常用的ocr就是谷歌的tesseract ocr engine2。最新的版本是tesseract4。tesseract的主要开发者是ray smith3.

tesseract支持unicode(utf-8)，安装后即可识别超过100种语言。

tesseract支持不同的输出可是：普通文本，hocr(html)，pdf，tsv，invisible-text-only pdf。在master分支，还试验性地支持alto(xml)格式。

请记住，在大多数情况下，为了获得更好的ocr结果，你需要为提供给tesseract的图片提升质量4.

tesseract可以通过训练来识别其它语言和其它字体5.

另外，有很多第三方的tesseract gui应用。可以直接下载使用6。

pytesseract

python-tesseract7(pytesseract)是google tesseract orc引擎的封装。首次commit的2014年。用这个库，可以很方便地编写脚本，可以用它来识别所有可以由pil识别的图片格式，包括jpeg, png, gif, bmp, tiff等，而tesseract-orc本来只支持tiff和bmp两种格式。

如果在脚本中使用，识别的文本可以输出为python字符串，而不是直接输出到文件中。

另外，这个代码库只有一个文件，400行代码。如果有任何疑问，可以直接翻看源代码。