【pytesseract】python图片识别OCR库

一、pytesseract简介

tesseract原意为：宇宙魔方;超立方体;超正方体;四维超正方体;四次元立方体

1.1 pytesseract库

pytesseract为Python开源的OCR（光学字符识别）库，能够识别图片上的数字、英文和中文等。

1.2 pytesseract用途

它要求字迹规整、清晰可见，适合识别电脑和手机截屏等。对各种验证码的识别效果一般。

二、pytesseract安装

pytesseract库属于人工智能(AI)领域的库，AI领域的库安装一般都有点麻烦，不是一条pip就能完成的，需要配置底层应用和依赖库。

2.1 安装和配置底层应用Tesseract-OCR

Tesseract-OCR 是一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎。与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

2.1.1 GitHub 官网地址：查看源码

https://github.com/tesseract-ocr/tesseract
在这可以查看和下载源码，自己编译，如果不想查看源码，只想直接使用，请下载下面的官网安装包

下载简体和繁体识别包:https://github.com/tesseract-ocr/tessdata


如果不能下载，请自行百度下载吧，这个真的没办法。

2.1.2 官网安装包：下载

https://digi.bib.uni-mannheim.de/tesseract/
拉到最下面，下载适合自己电脑的最新的安装包。

2.1.3 安装Tesseract-OCR

选择组件时，注意把汉字的简繁体都选上，否则识别汉字可能有问题。
Additional script data (download)中选4项

Additional language data (download) 中选四项

选好组件的效果

默认安装路径为：C:\Program Files\Tesseract-OCR，如果你修改了，建议复制一下，下面配置环境变量需要用到

果然下载组件出问题，这个没办法，国内安全机制的问题，OK继续吧，得点8次，直到安装完成。

2.1.4 配置环境变量

1. 配置系统变量：path
   
2. 添加 TESSDATA_PREFIX 系统变量，值为：C:\Program Files\Tesseract-OCR\tessdata
   
   3.配置系统变量：path，新增 %TESSDATA_PREFIX%
   
3. 重启电脑

2.1.5 查看Tesseract-OCR是否安装成功

cmd运行输入：tesseract – version，能够正确显示版本号，说明成功。

2.1.6 将下载的语言包解压到 C:\Program Files\Tesseract-OCR\tessdata

默认只有英文识别包，所以只能识别英文

解压后可以识别各国文字，其中包括中文简体和繁体

2.2 安装依赖库Pillow

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  pillow

我原来装过了

2.3 安装pytesseract库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  pytesseract

pytesseract库非常小，只有14K，它只要是调用前面的Tesseract-OCR

三、实例测试

编写中英文测试代码

import pytesseract
from PIL import Image

# 英文识别
filename = 'py01.png'
img = Image.open(filename)
result = pytesseract.image_to_string(img, lang='eng')
result = result.replace('\n','').replace(' ','')
print(f'英文识别结果：\n {result}')

# 中文识别
filename = 'py02.png'
img = Image.open(filename)
result = pytesseract.image_to_string(img,lang='chi_sim') #使用简体中文解析图片
result = result.replace('\n','').replace(' ','')
print(f'中文识别结果：\n {result}')

运行成功，但是汉字识别效果并不理想，和百度的在线OCR还是有很大差距的。原打算进一步发掘一下，看来得缓缓了。