使用 pytesseract 构建一个简单 OCR demo

简介

pytesseract 库是 Google Tesseract OCR (光学字符识别)引擎的一个 Python 封装库,使用广泛且功能强大。

构建

使用 pytesseract 构建一个简单 OCR demo。

步骤一:安装必要的库

您需要在您的 Python 环境中安装 pytesseract、Pillow (用于图像处理) 和 OpenCV (虽然不是必需的,但在处理图像时非常有用)。

打开终端或命令提示符,运行以下命令:

python 复制代码
pip install pytesseract Pillow opencv-python

步骤二:安装 Tesseract OCR 引擎

pytesseract 只是一个 Python 接口,它需要后台安装的 Tesseract OCR 引擎才能工作。Tesseract 的安装方法因操作系统而异:

Windows: 您可以从 Tesseract 官方 GitHub release 页面 下载安装程序。安装时请记住安装路径,之后可能需要在代码中指定 Tesseract 的可执行文件路径。

macOS: 使用 Homebrew 进行安装:

python 复制代码
    brew install tesseract

中文识别 :如果您需要识别中文,请确保:

  • 已通过 brew install tesseract-lang 安装了中文字体数据。
  • 在调用 image_to_string 时使用 lang='chi_sim' (简体中文) 或 lang='chi_tra' (繁体中文)。

Linux (Ubuntu/Debian): 使用 apt-get 进行安装:

python 复制代码
    sudo apt-get install tesseract-ocr
    sudo apt-get install libtesseract-dev

步骤三:编写 Python 代码

创建一个 Python 文件 (例如 simple_ocr.py) 并粘贴以下代码。

python 复制代码
import pytesseract
from PIL import Image
import cv2
import os 

# 获取当前脚本文件的绝对路径
script_path = os.path.abspath(__file__)
# 获取脚本文件所在的目录
script_dir = os.path.dirname(script_path)

# 如果您是Windows用户,并且Tesseract没有添加到系统环境变量中。
# tesseract_cmd_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # windows
tesseract_cmd_path = r'/opt/homebrew/bin/tesseract' # macOS/Linux 查询命令:which tesseract 

# Check if the tesseract executable exists at the specified path
if not os.path.exists(tesseract_cmd_path):
    print(f"Error: Tesseract executable not found at {tesseract_cmd_path}")
    print("Please update 'tesseract_cmd_path' in the script to your Tesseract installation path.")
else:
    pytesseract.pytesseract.tesseract_cmd = tesseract_cmd_path

# 指定您要进行OCR的图片文件路径
image_path = 'test_image.png' # 请替换为您的图片文件路径
image_path = os.path.join(script_dir, image_path)
# Check if the image file exists
if not os.path.exists(image_path):
    print(f"Error: Image file not found at {image_path}")
    print("Please make sure the image file exists and the path is correct.")
else:
    try:
        # 使用 Pillow 加载图片
        # img = Image.open(image_path)
        # 或者使用 OpenCV 加载图片,方便后续图像处理
        img_cv = cv2.imread(image_path)

        # 如果使用 OpenCV 加载,需要转换为 PIL Image 对象或直接传给 image_to_string (cv2.imread returns numpy array)
        # pytesseract.image_to_string 可以接受 PIL Image 对象或 numpy array
        # 我们这里直接使用 numpy array
        img_np = cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB) # OpenCV读取是BGR格式,Tesseract通常处理RGB

        # 使用 pytesseract.image_to_string 进行文字识别
        # lang 参数可以指定语言,例如 'eng' 表示英语,'chi_sim' 表示简体中文
        # 您需要安装对应语言的 Tesseract 语言包, macOS/Linux: brew install tesseract-lang
        text = pytesseract.image_to_string(img_np, lang='chi_sim') # 或者 lang='eng' for English

        # 打印识别结果
        print("---- 识别结果 ----")
        print(text)
        print("----------------")

步骤四:准备测试图片

创建一个名为 test_image.png 的图片文件,其中包含一些您想要识别的文字,并将其放在与 Python 脚本相同的目录下。

步骤五:运行代码

在终端或命令提示符中,导航到保存 simple_ocr.py 文件的目录,然后运行:

python 复制代码
python simple_ocr.py

如果一切顺利,您将在控制台中看到从图片中识别出的文字。

注意事项:

Tesseract 安装路径:

  • 如果您在 Windows 上运行,请务必将 tesseract_cmd_path 变量的值修改为您系统中 tesseract.exe 的实际安装路径。
  • 在 macOS 或 Linux 上,如果 Tesseract 已通过包管理器安装并添加到 PATH 中,代码中的默认路径通常是正确的,或者您也可以尝试注释掉设置 pytesseract.pytesseract.tesseract_cmd 的那一行,让 pytesseract 自己去寻找。

语言包:

  • 如果您需要识别非英文字符(例如中文),您还需要安装对应的 Tesseract 语言包,并在 pytesseract.image_to_string 函数中指定 lang 参数,例如 lang='chi_sim'。
  • 语言包的安装通常是将对应的 .traineddata 文件放到 Tesseract 安装目录下的 tessdata 文件夹中。

图片质量:

  • OCR 识别效果很大程度上取决于输入图片的质量。清晰、高对比度、文字方向正确的图片更容易识别。
  • 对于有噪声或扭曲的图片,您可能需要使用 OpenCV 等库进行预处理(如二值化、去噪、旋转矫正)来提高识别率。代码中也提供了加载图片并进行颜色空间转换的部分,为可能的预处理留下了空间。

进一步探索 pytesseract 的其他功能

  • 例如 image_to_data 获取文字位置信息、image_to_boxes 获取字符边界框等,以便构建更复杂的 OCR 应用。
python 复制代码
相关推荐
DogDaoDao11 小时前
GitHub开源项目Zerox:AI驱动的OCR革命
人工智能·深度学习·开源·github·ocr·图像识别·zerox
程序视点11 小时前
望言OCR视频字幕提取2025终极评测:免费版VS专业版提全方位对比(含免费下载)
ocr·视频字幕提取软件·望言ocr·硬字幕识别工具·开源ocr工具·字幕提取方法·视频转文字软件
开开心心_Every1 天前
多线程语音识别工具
javascript·人工智能·ocr·excel·语音识别·symfony
Hi202402171 天前
支持OCR和AI解释的Web PDF阅读器:解决大文档阅读难题
pdf·flask·llm·ocr·阅读器
kevin 11 天前
如何识别发票特殊版式?OCR大模型如何颠覆传统并保证准确率?
ocr
愿你天黑有灯下雨有伞2 天前
告别复杂配置!Spring Boot优雅集成百度OCR的终极方案
spring boot·百度·ocr
胡耀超2 天前
基于Docker的GPU版本飞桨PaddleOCR部署深度指南(国内镜像)2025年7月底测试好用:从理论到实践的完整技术方案
运维·python·docker·容器·ocr·paddlepaddle·gpu
2301_787725653 天前
通用图片 OCR 到 Word API 数据接口
ocr
EkihzniY5 天前
护照阅读器在上海迪士尼乐园
ocr
思通数科x5 天前
病历数智化3分钟:AI重构医院数据价值链
大数据·图像处理·人工智能·目标检测·计算机视觉·重构·ocr