點擊上方 Z先生點記，加為星標
第一時間收到 Python 技術乾貨！
文字 OCR 識別技術現在已經相當成熟了，無論 其 準確度還是識別速度 都能夠滿足我們的日常需要；今天給大家介紹一個 Python 包，該包的主要功能就是用於 OCR 識別的，包的名字叫 Pyteeseract，藉助這個包幾行代碼就能快速識別一張文本圖片
Pytesseract 包是由 開源工具 Tesseract 得到的，由 Hewlett Packard 實驗室開發，在 2005 年實行開源；自2006 年之後由谷歌和一些優秀的開源貢獻者共同開發維護
Tesseract 在 3.x 版本之後逐漸成熟，支持多種圖片格式並且逐步加入多語言文本識別；但 Tesseract 3.x 版本依舊 基於傳統計算機視覺算法，在過去的幾年得益於 Deep Learning 的快速迭代，無論是準確率與速度方面都要優於傳統算法；在 4.0 版本之後 Tesseract 加入了 Deep Learning 模塊， 是基於 Recognition 的 LSTM，而 LSTM 就是可歸類為 RNN(循環卷積神經網絡);
本篇文章的實驗是基於 Tesseract3.05 版本實現的，最後在中文語言識別方面準確率稍次，可能是因為沒有使用4.0+的原因在，後來才了解已經有 4.0+ 版本甚至 5.0+ (但不太穩定)且都是基於 Deep Learning 模塊的，但因為太懶就不想改了，，，
先交代一下實驗環境：
os: Win10;Python 3.8;pyteeseract 0.3.8;Tesseract 3.05；pyteeseract 安裝
1，安裝 tesseract 工具
相對其它程序包，pyteeseract 的安裝步驟會相對繁瑣一點，因為 pyteeseract 識別功能是基於 tesseract 開源工具完成的，所以第一步 安裝 tesseract ，安裝包下載連結：
https://digi.bib.uni-mannheim.de/tesseract/
提供有 3.0+，4.0+及5.0+版本使用，下載完之後安裝(安裝方式就是傻瓜式安裝)
tesseract 安裝成功之後，需把存放 tesseract.exe 的文件路徑加入到環境變量中，如下圖我的 tesseract.exe 存放的文件夾就是 F:/Program Files/Tesseract-OCR 加入環境變量即可；
2，pip install pytesseract
在命令行中，用 pip 工具下載 pytesseract 包
pip install pyteeseract3，修改pytesseract.py 腳本
在 步驟 2 的基礎之上，找到 pytesseract 的安裝路徑，如果 Python 是通過 Anaconda 安裝的話的話，安裝路徑一般都在 Anaconda/Lib/site-packages 文件夾下；找到之後找 pytesseract 文件夾下的 pytesseract.py 腳本文件，
找到之後，用記事本打開 pyresseract.py，通過 ctrl +f 快速搜索功能定位 tesseract_cmd，修改後面的文件路徑信息(用上面提到的 tesseract.exe 安裝路徑進行替換即可)；
2， pytesseract 使用
程序包的用法也相對比較簡單，幾行代碼就能搞定，下面代碼就是把一張圖片中的文字識別，並轉化為 字符串列印出來，選擇識別語言 英語( 更改 lang = 『eng' 參數即可)
import pytesseractimport cv2img_path = "G:/Coding/One_hundred_days/Data/orc_image2.jpg"# 下面一行代碼很重要tessdata_dir_config = '--tessdata-dir "F://Program Files//Tesseract-OCR//tessdata"'im = cv2.imread(img_path)img = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)text = pytesseract.image_to_string(img,lang= 'eng',config= tessdata_dir_config,)print(text)效果預覽，識別前
識別後
pytesseract 支持將 OpenCV 和 PIL 讀取後的圖像作為輸入，但圖像格式需為 RGB 模式，因此 OpenCV 讀取之後還要加入一行代碼把圖像的 BGR 模式轉化為 RGB
另外需要注意一點 ,上面實例中下面這一行代碼不能去掉(用於後面 image_to_string() 函數中的 config 參數的設置)
tessdata_dir_config = '--tessdata-dir "F://Program Files//Tesseract-OCR//tessdata"'否則會報下面的錯誤，tessdata 文件路徑定位失敗 ，
Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.')
tessdata 文件路徑存放的是語言包文件，是用於 識別圖像中不同語言，通過修改 lang 參數來進行設定；但需要知道的是，tesseract 工具起初默認語言為 eng(英文)，若需要藉助 tesseract 識別不同語種需要下載對應的 語言包文件，安裝到 tessdata 文件夾下即可
例如上面案例中我用的是 英語，這裡我想識別圖片中的中文字符，就需要把中文語言包下載 到 testdata 中，各語言包的下載地址，https://github.com/tesseract-ocr/tessdata
再把代碼中 image_to_string() 中 lang 參數設為 chi_sim 即可
效果預覽，識別前
識別後，對於中文來說識別效果並不是太好，猜測可是是版本的原因:
pyteeseract 其他用法
1，除了上面可以直接把圖像中內容識別轉化為字符串之外，還可直接轉化 pdf 文件形式導出
# Get a searchable PDFpdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')with open('test.pdf', 'w+b') as f: f.write(pdf) # pdf type is bytes by default
2，估計識別出來每個字符的邊框信息，圖片中的位置解析度範圍:
print(pytesseract.image_to_boxes(img_path,lang = 'chi_sim',config= tessdata_dir_config))
3，關於 pyteeseract 還有很多用法還未介紹，有興趣的小夥伴可去官網介紹進行了解，連結貼在下方:
https://pypi.org/project/pytesseract/