Python图片文本识别—基于tesseract和百度实现

前言：


        有时需要将图片中的大段文字copy下来，用手一个个敲是不可能的！于是想到通过万能的Python来解放生产力.......要实现的目标：识别图片中的文字，将识别出来的文字以文本形式输出即可。下面，用同样一张样图，实验了两种方式来完成图片识别→文字转化的任务：


1.Github上，17000+star的谷歌开源项目：Tesseract OCR


Google Tesseract-OCR引擎


2.百度文字识别


文字识别-帮助与支持-百度云


1.用Tesseract OCR实现图片文本识别


Tesseract OCR是github上谷歌开源的一个很火的图片识别项目，下面是Github上的官方介绍：


Tesseract 支持Unicode（UTF-8），可识别超过100种语言的 “开箱即用”。


Tesseract支持各种输出格式：纯文本，hocr（html），pdf，tsv，不可见文本pdf。


您应该注意，在许多情况下，为了获得更好的OCR结果，您需要提高您正在使用Tesseract 的图像的质量。


该项目不包括GUI应用程序。如果您需要，请参阅3rdParty wiki页面。


Tesseract 可以训练识别其他语言。有关更多信息，请参阅Tesseract培训。


要在Python环境下使用Tesseract，要进行3个步骤：


A.电脑系统安装Tesseract 


B.下载要识别的语言字体到tesseract文件夹下


C.python下安装pytesseract库, 这个库提供了python对Google Tesseract-OCR引擎的封装


下面，详细写一下每一步的具体操作：


1.由于我是macOS系统且安装了Homebrew，所以可以在shell中通过：


brew install tesseract 


来安装 Tesseract，如果是Windows或者其他系统，可以点：其他安装方法说明


2.安装好的Tesseract默认支持的字符是英文，所以需要下载简体中文的字符文件，下载地址：tesseract-ocr/tessdata  。下载这个字体文件：




中文简体：chi_sim
下载好的文件移入文件夹tesseract下即可：




3.pip install pytesseract


安装完成后，就可以测试了，（首先，得准备好要识别的图片）：




test.png
from PIL import Image
import pytesseract
words = pytesseract.image_to_string(Image.open('...xxx/test.png'), lang='chi_sim')
print(words)
识别效果如下：


'敷字可以标识货币、 直分比` 积分、 电话畦码尊′ 枕货币而凯 n三4<静蝴邝J圃聚会以4<问的\n格式米定义. 木荚例将揍收用户鳙入的敷% 将这个颤7鲱换为不同圃象的货币镐尤 然脯花\n钝制台巾输…这些货币赣式- 爽例的运行效禀如图… 所4垦.'




可以看见，识别效果并不理想~下面用百度的试一下。



Python学习群：


2.用百度文字识别实现图片文本识别


要用百度API则必须先注册百度开发者，然后才能使用百度的各项服务：地图API、文字语音转换API、文本识别API.....，文本识别的官方文档：文字识别-帮助与支持-百度云


注册完成后，需要用到以下三个字段：


APP_ID = '10xxxx57'


API_KEY = 'vxxxxxxxxxxxxxxxxxsZyuwz9yKS2EghBs'


SECRET_KEY = 'm7pjnSNCKZxxxxxxxxxxxxxxxswGmIO35zsi'


然后，在Python中导入百度-aip库：pip install aip。


最后，一切就绪！还是老样子，直接上代码：


from aip import AipOcr
APP_ID = '10xxxx57'
API_KEY = 'vxxxxxxxxxxxxxxxxxsZyuwz9yKS2EghBs'
SECRET_KEY = 'm7pjnSNCKZxxxxxxxxxxxxxxxswGmIO35zsi'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
with open('/Users/zhaoluyang/Desktop/test2.png','rb') as f:
    img = f.read()
    msg = client.basicGeneral(img)
    for i in msg.get('words_result'):
        print(i.get('words'))
识别效果如下：


数字可以标识货币、百分比、积分、电话号码等,就货币而言,在不同的国家会以不同的


格式来定义。本实例将接收用户输入的数字,将这个数字转换为不同国家的货币格式,然后在


控制台中输出这些货币格式。实例的运行效果如图81所示。




连标点符号都识别出来了，简直完美~~~


以后就先用百度了，就这么愉快地决定了！！！