Python程序識別圖片和PDF上的文字(1)

處理PDF文件那部分介紹的第三方模塊PyPdf2隻能識別PDF文件的英文字符，對中文字符沒有辦法。接下來的帖子介紹一種識別PDF非英文文字的方法：先引進第三方模塊Wand把PDF文件轉成圖片，再引進第三方模塊PyOCR或Pytesseract把圖片上的文字識別出來。Wand、PyOCR或Pytesseract為python可以引入的第三方模塊，是外面的包裝，包裹的內核是圖片處理的軟體包Imagemagick和光學字符識別OCR（Optical Character Recognistion）軟體包，比如Tesseract。這個帖子介紹如何安裝Tesseract。

字符識別OCR把圖片上的文字自動識別出來，轉換成我們能處理的字符串。這裡使用Tesseract這個軟體包來做OCR，Tesseract最初由惠普開發，後來谷歌接受過來繼續支持。Tesseract支持100多種書面語言，並且可以被訓練繼續擴充。Tesseract沒有圖形化界面，用命令行執行，作為內核被其他有圖形化界面的程序調用。我們先來安裝Tesseract，然後用命令行運行Tesseract識別圖片上的文字。

Mac上可以用homebrew安裝Tesseract，homebrew是一個安裝工具，幫助我們安裝應用到Mac上。homebrew不是Mac自帶的，所以自己需要先被安裝。搜尋引擎上搜install homebrew，找到homebrew的主頁brew.sh，主頁上赫然掛著安裝homebrew的辦法，把：/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"貼到terminal終端窗口上，按照提示輸入admin的密碼後會自動下載安裝homebrew：

homebrew成功安裝完畢後，在terminal輸入：brew install tesseract 安裝tesseract：

安裝完畢後可用tesseract -v驗證，順便查看下版本：

從版本後面跟著的圖片格式庫可以看出tesseract支持jpeg、png和tiff為擴展名的圖片。 接下來試著識別圖片example_01上的英文字母：

在terminal上敲入命令tesseract 路徑+文件名 stdout，將識別結果輸出到屏幕上：

若要把識別結果保存到文檔中，用文檔名替換掉stdout：

tesseract /users/PythonABC/Documents/OCR/example_01.png output

則在當前文件夾（跟代碼同一個文件夾）下，可以看到新生成的文件output.txt，內容是圖片上識別出來的內容。

 

識別準確與否跟圖片文字的背景有很大關係。這裡用的背景是白色，字黑色的，是最利於識別的一種情況，實際上顯然不可能這麼完美。背景混雜（識別時的雜音）的文字識別起來難度係數增大，準確率下降，可以通過訓練識別庫來提高tesseract的識別率。如何訓練這裡不提及，有興趣的朋友可以參看tesseract的技術文檔，也可以下載資深人士訓練好分享出來的識別庫。事實上安裝tesseract默認安裝了英文字符訓練庫，幫助識別英文、英文標點符號和數字。

example_02.png如下：

現在來看tesseract能否識別出圖片上的中文字，example_02在當前文件夾下：

識別不出來的原因是沒有安裝中文訓練庫，安裝中文訓練庫的步驟如下：

1.下載中文訓練字庫

搜尋引擎上搜索:tesseract Chinese training data，去tesseract的github的頁面上下載中文簡體字庫：chi_sim.traineddata，當然如果還需要識別其他語言，可以把其他訓練庫一併下載了。

2.把下載的字庫拷貝到tessdata目錄下

terminal終端窗口上敲入命令brew list tesseract查看tessdata的位置：

最後一行就是tessdata的目錄，把下載的目錄拷貝到這個目錄下，如果是           在Mac的terminal上可以用cp命令：

3.設置環境變量TESSDATA_PREFIX為tessdata路徑名，否則用加了指    定語言參數的tesseract命令識別圖片上的文字時會出現找不到訓練庫的        錯誤

錯誤提示裡有一句「Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.」，所以設置環境變量TESSDATA_PREFIX為tessdata的路徑：

4.識別圖片裡的中文字符

命令的格式是：

        tesseract路徑+文件名輸出-l 語言代碼

默認識別的是英文字符，如果圖片上有其他文字需要用語言參數-l說明。下載的語言訓練庫文件可能是jpn.traineddata（日語）、deu.traineddata（德語）、chi_sim.traineddata（簡體中文）或sim_tra（繁體中文）等等，語言代碼取文件名部分（jpn、deu、chi_sim或sim_tra）。

對example_02.png上的文字識別見圖

另外tesseract命令參數是講究順序和不可省略的的，比如寫成：

tesseract example_02.png -l chi_sim 是會出錯的：

tesseract是有局限性的，對文字背景有要求，對像素有要求……需要特徵抽取技術、機器學習技術和深度學習技術，用於識別的訓練字庫是可以被訓練升級的，有興趣的朋友可以自行研究

微信公號文章發表後只能修改五個字，所以PythonABC公號文章裡的錯誤改正或內容補充會放在pythonabc.org的網站上。這篇帖子明天才往網站上貼，正在重看笑傲江湖ing，得抓緊一切時間（＾_＾）若有錯誤還望見諒，明天會在網站上的帖子作修改噠。

請前幾天留言發問的朋友發郵件到[e-mail]，已經過了回復期限，所以回復不了了

即將推出的Python ABC教程對PythonABC視頻內容進行了梳理，修正了發現的錯誤、對代碼做了些許優化、替換掉視頻中的英文注釋、替換掉國內不能訪問的資源、添加windows上的設置和運行……敬請關注，謝謝