[Python] 使用 Tesseract 实现 OCR 文字识别全流程指南

在图像处理、文档数字化、发票识别等场景中，OCR（Optical Character Recognition，光学字符识别）技术应用广泛。而在 Python 中，借助开源工具 Tesseract，我们可以快速构建强大的文字识别系统。

本文将手把手带你了解如何使用 Python 与 Tesseract 配合进行 OCR 文字识别，从环境搭建、基本使用、识别优化，到多语言支持与图像预处理策略，全面覆盖开发所需知识点。

---

一、什么是 Tesseract？

Tesseract 是由 Google 维护的开源 OCR 引擎，具备如下特点：

• 支持 100 多种语言

• 支持垂直文本、右到左文字（如阿拉伯文、日文）

• 可训练自定义字体模型

• 在多种平台上表现优秀（Windows/Linux/Mac）

它本身是一个命令行工具，但通过 Python 的 pytesseract 包，我们可以非常方便地调用它。

---

二、环境准备

1. 安装 Tesseract

Windows

1. 前往 https://github.com/UB-Mannheim/tesseract/wiki 下载对应版本

2. 安装后记下安装路径（如：C:\Program Files\Tesseract-OCR\tesseract.exe）

macOS

brew install tesseract

Linux (Debian/Ubuntu)

sudo apt update
sudo apt install tesseract-ocr

2. 安装 Python 依赖

pip install pytesseract pillow opencv-python

---

三、基本识别示例

以下是一个最基础的图像文字识别示例：

from PIL import Image
import pytesseract

# Windows 特别注意路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

img = Image.open('example.png')
text = pytesseract.image_to_string(img, lang='eng')

print(text)

如果是 Linux/macOS 系统，可以省略 tesseract_cmd 设置。

---

四、支持中文 OCR

默认的 Tesseract 安装中可能未包含中文支持。你需要额外安装语言包：

# Ubuntu 系统
sudo apt install tesseract-ocr-chi-sim

# Windows 可通过官网下载 chi_sim.traineddata 文件放入 tessdata 目录

识别中文示例：

text = pytesseract.image_to_string(img, lang='chi_sim')

---

五、图像预处理优化识别效果

OCR 的识别效果很大程度依赖于图像质量，下面是常见预处理方法：

import cv2

# 加载图像
img = cv2.imread('example.png')

# 转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化处理
_, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 去噪（可选）
blur = cv2.medianBlur(thresh, 3)

# OCR 识别
text = pytesseract.image_to_string(blur, lang='chi_sim')
print(text)

---

六、识别区域与数据提取

有时候我们不需要整张图的文字，而是某个区域或字段（如身份证号码、发票编号）。

使用裁剪识别

box = (100, 200, 400, 250)  # x1, y1, x2, y2
cropped = img.crop(box)
text = pytesseract.image_to_string(cropped, lang='eng')

获取位置信息

data = pytesseract.image_to_data(img, lang='eng', output_type=pytesseract.Output.DICT)
for i in range(len(data['text'])):
    if int(data['conf'][i]) > 60:  # 置信度过滤
        print(f"Word: {data['text'][i]}, Pos: ({data['left'][i]}, {data['top'][i]})")

---

七、常见问题与优化建议

问题	原因	解决方案
识别结果乱码	字体不清晰 / 语言包缺失	安装正确语言包，增强对比度
中文识别效果差	图像质量不高	灰度+二值化预处理
边框或水印干扰识别	噪声过多	尝试裁剪目标区域

---

八、进阶：批量识别、PDF、表格结构识别

批量识别文件夹图片

import os

for file in os.listdir('images'):
    img_path = os.path.join('images', file)
    text = pytesseract.image_to_string(Image.open(img_path), lang='eng')
    print(f'{file}:\n{text}\n')

PDF OCR（需安装 pdf2image）

pip install pdf2image
sudo apt install poppler-utils  # Linux

from pdf2image import convert_from_path

pages = convert_from_path('document.pdf')
for i, page in enumerate(pages):
    text = pytesseract.image_to_string(page, lang='chi_sim')
    print(f'Page {i+1}:\n{text}\n')

---

总结

通过 Python + Tesseract，我们可以构建出灵活、可扩展的 OCR 系统。掌握图像预处理、语言包配置、区域提取等技巧，将显著提升识别精度与实用性。

如果你在 Tesseract 使用中遇到实际问题，欢迎评论区交流或私信讨论。