目錄

• 1tesseract-ocr簡介
• 2Pytesseract簡介
• 3安裝
  • 3.1安裝tesseract-ocr
  • 3.2安裝語言庫
  • 3.3安裝依賴及pytesseract
• 4使用
• 5示例

tesseract-ocr簡介

一款免費的開源影象OCR文字識別引擎，初期Tesseract引擎由HP實驗室研發，後來貢獻給了開源軟體業，後由Google進行改進、修改bug、優化，重新發布。它就能根據你的命令將你想要識別的圖片中的文字轉換成文字的形式，或者轉換成能被常規文字編輯器編輯的文字如pdf。到目前為止，它已經支援簡體中文、繁體中文、英文、日文、韓文等等60多種語言的識別。並隨著大家對它功能上的要求在不斷改進、不斷消除bug、優化功能。

Pytesseract簡介

Pytesseract是python的光學字元識別（OCR）工具。也就是說，它將識別並讀取嵌入影象中的文字。 Pytesseract是Google的Tesseract-OCR引擎的包裝器。它作為獨立的呼叫指令碼也很有用，因為它可以讀取Python Imaging Library支援的所有影象型別，包括jpeg，png，gif，bmp，tiff等，而tesseract-ocr預設只支援tiff和bmp。

安裝

安裝tesseract-ocr

sudo apt-get install tesseract-ocr               

安裝語言庫

tesseract-ocr-eng是英文庫，tesseract-ocr-chi-sim是中文庫

sudo apt-get install tesseract-ocr-eng tesseract-ocr-chi-sim            

安裝依賴及pytesseract

pytesseract是python呼叫谷歌tesseract-ocr工具的一個庫，用於識別圖片中的資訊

# 安裝Pillow
sudo pip3 install Pillow
# 安裝pytesseract
sudo pip3 install pytesseract           

使用

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract

# 如果PATH中沒有tesseract可執行檔案，請指定tesseract路徑
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'/usr/share/tesseract'

# 識別的影象的字串
print(pytesseract.image_to_string(Image.open('test.png')))

# 指定語言識別影象字串,eng為英語
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

# In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png'))

# Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt'))

# Timeout/terminate the tesseract job after a period of time
try:
    print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds
    print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error:
    # Tesseract processing is terminated
    pass

# 獲取影象邊界框
print(pytesseract.image_to_boxes(Image.open('test.png')))

# 獲取包含邊界框，置信度，行和頁碼的詳細資料
print(pytesseract.image_to_data(Image.open('test.png')))

# 獲取方向和指令碼檢測
print(pytesseract.image_to_osd(Image.open('test.png')))

# Get a searchable PDF
pdf = 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

# Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr')

示例

提取本地圖片上的文字為一個整體的字串

def get_image_string(path, filename):
    '''使用谷歌開源框架ocr技術提取圖片上的資訊為字串

    :Param path: <str> 圖片的位置

    :Param filename: <str> 圖片的名稱

    :Return: <string> 從圖片中提取的字串

    '''
    username = getpass.getuser()
    path_base = '/home/' + str(username) + '/' + str(path) + '/' + str(filename) + '.png'
    text = pytesseract.image_to_string(Image.open(path_base), lang="chi_sim").replace(" ", "").replace("\n", "")
    print(text)
    return text