Python PyTesseract OCR ：从基础到项目实战

一、前言：为什么选择 PyTesseract？

在 OCR（Optical Character Recognition）领域，主流方案包括：

商业类：Google Vision OCR、百度 OCR、阿里云 OCR、腾讯云 OCR
自建类：PaddleOCR、EasyOCR、Tesseract OCR

其中 Tesseract OCR 是 Google 维护的开源文字识别引擎，免费、稳定、支持 100+ 种语言，广泛用于：

票据文字抽取
批量扫描 PDF 转文字
水平、竖排文本识别
简单车牌识别
仪表盘读数
快递单/发票预处理 OCR
工业读码（非二维码类）

PyTesseract 是 Tesseract 的 Python 封装层，使 Python 程序员能更方便地调用 OCR。

本文章将从安装、基础使用、图像预处理、OCR 提升技巧、常用 API，到最终提供一个 真实可运行的 OCR 项目完整工程代码，让你从入门到能做项目。

二、环境安装（Windows / Linux / Mac）

PyTesseract 不是 OCR 引擎本体 ，它只是 Python 的 wrapper。

你必须安装 Tesseract-OCR 主程序。

1. Windows 安装

下载安装包（官方推荐 UB Mannheim 版本）：

复制代码

https://github.com/UB-Mannheim/tesseract/wiki

安装后记住安装路径，例如：

复制代码

C:\Program Files\Tesseract-OCR\tesseract.exe

2. macOS 安装

bash 复制代码

brew install tesseract

3. Linux / Ubuntu

bash 复制代码

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

安装中文语言包（可选）：

bash 复制代码

sudo apt install tesseract-ocr-chi-sim

4. Python 安装 PyTesseract

bash 复制代码

pip install pytesseract
pip install opencv-python
pip install pillow

三、PyTesseract 基础使用

OCR 两个核心步骤：

加载图像
调用 Tesseract 识别

最简单示例：

python 复制代码

import pytesseract
from PIL import Image

img = Image.open("test.png")
text = pytesseract.image_to_string(img, lang="chi_sim")
print(text)

如果是 Windows，需要指定 tesseract 路径：

python 复制代码

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

四、OCR 效果差？图像预处理非常关键

实际商业项目中，原图直接 OCR 的效果往往很差 。

必须配合预处理：

常见操作：

预处理方法	效果
灰度化	去除颜色干扰
二值化	增强对比
去噪	减少 OCR 错误
膨胀 / 腐蚀	处理断笔与黏连
自适应阈值	适合光照不均
倾斜矫正	文档拍歪解决
边缘增强	提升模糊文本可读性

我们使用 OpenCV + PyTesseract 组合，效果远优于单独 OCR。

五、OCR 常用模式与配置

Tesseract 有两个关键参数：

1. PSM（Page Segmentation Mode）页面分割模式

常用：

值	模式
6	单行文本（最常用）
7	单一文本行
11	稀疏文本（票据、表格）
3	全自动页面分析

示例：

python 复制代码

text = pytesseract.image_to_string(img, config='--psm 6')

2. OEM（引擎模式）

值	模式
3	默认模式（最佳）
1	LSTM 神经网络模式

3. 综合配置

python 复制代码

config = "--oem 3 --psm 6 -c tessedit_char_blacklist=()"
text = pytesseract.image_to_string(img, config=config, lang="chi_sim")

六、强力 OCR 预处理工具：OpenCV 整合 PyTesseract（项目常用）

下面是 OCR 项目真正会用的预处理流程。

步骤 1：读图与灰度化

python 复制代码

import cv2

img = cv2.imread("test.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

步骤 2：二值化（推荐 OTSU）

python 复制代码

import cv2

_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

步骤 3：中值滤波去噪

python 复制代码

denoise = cv2.medianBlur(thresh, 3)

步骤 4：OCR

python 复制代码

from PIL import Image
import pytesseract

text = pytesseract.image_to_string(Image.fromarray(denoise), lang="chi_sim", config="--psm 6")
print(text)

七、项目实战：识别一张票据 / 仪表文本（完整可运行代码）

下面给你一个企业级常用的 OCR 识别 pipeline，包括：

图像自动裁剪
去噪
增强
文字识别
后处理（正则清洗）
输出结构化数据

适合于：

发票 / 小票
仪表读数
单据文字抽取
工业检测数据记录
设备状态监测（配合你 Jetson 项目也能用）

📌 完整项目代码（可直接运行）

python 复制代码

import cv2
import numpy as np
import pytesseract
from PIL import Image
import re

# Windows 用户需加上路径
# pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# -------- 1. 读入图像 --------
img = cv2.imread("invoice.jpg")

# -------- 2. 灰度化 --------
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# -------- 3. 自适应阈值（二值化）--------
thresh = cv2.adaptiveThreshold(
    gray, 255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY,
    35, 11
)

# -------- 4. 形态学操作去噪 --------
kernel = np.ones((2, 2), np.uint8)
open_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# -------- 5. 倾斜矫正（适合拍照的发票）--------
coords = np.column_stack(np.where(open_img > 0))
angle = cv2.minAreaRect(coords)[-1]

if angle < -45:
    angle = -(90 + angle)
else:
    angle = -angle

(h, w) = open_img.shape[:2]
center = (w // 2, h // 2)
M = cv2.getRotationMatrix2D(center, angle, 1.0)
rotated = cv2.warpAffine(open_img, M, (w, h), flags=cv2.INTER_CUBIC)

# -------- 6. OCR --------
config = "-l chi_sim --oem 3 --psm 6"
text = pytesseract.image_to_string(rotated, config=config)

# -------- 7. 文本后处理：使用正则抽取关键字段 --------
amount = re.findall(r"金额[:： ]?([\d\.]+)", text)
date = re.findall(r"日期[:： ]?(\d{4}-\d{2}-\d{2})", text)

print("识别文本：\n", text)
print("金额：", amount)
print("日期：", date)

# -------- 8. 保存中间结果，便于调试 --------
cv2.imwrite("gray.jpg", gray)
cv2.imwrite("thresh.jpg", thresh)
cv2.imwrite("rotated.jpg", rotated)

八、高级 OCR 技巧（工程级提升 OCR 准确率）

1. 指定字符白名单 / 黑名单

python 复制代码

config = "-c tessedit_char_whitelist=0123456789 --psm 7"

适用于：

仪表盘读数
数字金额
设备屏显

2. 识别表格

python 复制代码

config = "--psm 11"

Tesseract 会识别稀疏文本，非常适合票据、账单。

3. 自动分割文本区域（ROI）

OCR 最佳实践：

不要整张图识别，应只识别特定区域（ROI）

例如检测"金额"位置的区域后再 OCR，准确率高 30%+。

4. 多语言识别

python 复制代码

lang = "eng+chi_sim+num"

九、PyTesseract 的局限与替代方案

PyTesseract 属于经典 OCR，适合简单的：

票据
扫描件
批量 PDF
简单文本图像
数字仪表盘

但不适合：

弯曲文字
手写文字
复杂背景
噪声极多的图像
表格结构化识别
深度学习场景

这些可以用：

PaddleOCR
EasyOCR
TrOCR（Deep Learning）

但 Tesseract 的优势永远是：

轻量、高速、跨平台、无依赖、可离线部署

十、总结：PyTesseract 的位置与价值

PyTesseract 是一个 超稳定、跨平台、免费、离线可用的 OCR 方案 。

它最大的价值是：

快速验证 OCR 方案
适合中小型离线项目
在仪表读数、票据 OCR、表单数字识别中仍大量使用
与 OpenCV 组合后可以做到极强的精度