Python OCR识别图片

OCR技术是光学字符识别的缩写(Optical Character Recognition)，是通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入技术。可应用于银行票据、大量文字资料、档案卷宗、文案的录入和处理领域。（以上信息来源于百度百科OCR技术）
前几天刚好接到公司两个相关需求需求，一个是资产管理，由于信息化管理的需求，需要识别我们的物料标签；另一个是我们的会员系统，通过图片给的识别码到系统中查找是否存在相应红包、会员信息，从而避免黄牛扰乱我们的红包、会员系统，以前的做法是购买一个外部公司开发的接口（据说是1000元10万次）。基于公司的业务需求，同时也为了实践用技术解决业务上的问题的态度，把实际开发中遇到的问题记录下来，供读者们少走弯路。

一、环境准备
首先我们的操作环境是Windows操作系统（Linux系统可以通过libtesseract方式访问），我们采用的OCR识别软件是Tesseract-OCR，下载并安装Tesseract-OCR软件，安装完成之后需要配置环境变量，配置完成之后通过CMD命令行验证是否配置成功，执行tesseract -v命令查看相应版本，下面是一个CMD控制台下的识别实例。

OCR下载地址：https://digi.bib.uni-mannheim.de/tesseract/

OCR中文下载地址：https://download.csdn.net/download/qq_30273575/81897469

OCR全部语言下载地址：https://download.csdn.net/download/qq_30273575/81898150

如果用代码实现，环境变量一定要配置成C:\Program Files\Tesseract-OCR\tessdata，而不是C:\Program Files\Tesseract-OCR

配置中文语言包
默认情况下Tesseract-OCR是不能识别中文的，需要加载相应的中文语言包，简体中文语言包叫chi_sim.traineddata下载下来之后需要放置到${TESSERACT_HOME}/tessdata目录下，同时把语言包目录路径配置到环境变量当中，新增变量名称为“TESSDATA_PREFIX”。

下图中文件夹添加了英文和中文简体两种包，

语言包下载地址

至此前期的环境准备工作已经完成，读者可以通过CMD命令行的模式使用OCR的基本功能了，接下来是通过Python语言集成进来，毕竟手工操作的效率和扩展性不如程序化实现。

使用命令行转换：tesseract YINWEN.png output -l eng 

环境变量要配置成C:\Program Files\Tesseract-OCR\才可以执行，与代码实现不同

YINWEN.png 为图片名，在当前文件夹下C:\Users\jeff.xie\Desktop>

output为文字输出的文件名，如下图所示，默认txt文件，

-l表示Language，这里设置的为 eng，表示为英文

下图所示，可以正常转换文本

中文转换出现乱码，待研究。。。 

Python实现

安装依赖包

接下来我们主要实现Python与Tesseract-OCR交互实现程序化图片识别功能。首先我们需要安装Python 图片依赖包，本文中Python涉及到的依赖包主要有两个，一个是PIL(Python Imaging Library)，另外一个就是与Tesseract-OCR交互的依赖包pytesseract，通过pip install pytesseract安装相应的包。

安装tesseract orc

下载地址：https://github.com/UB-Mannheim/tesseract/wiki 
点击“tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe”

下载安装。注意：安装的时候选中中文包（安装时把所有选项都勾上）。本人安装目录：C:\Program Files\Tesseract-OCR\tessdata

使用命令，查看版本号和支持语言：
cd C:\Program Files\Tesseract-OCR  
 tesseract -v tesseract --list-langs -v tesseract --list-langs　　#查看Tesseract-OCR支持语言

配置tesseract运行文件
 

...\Lib\site-packages\pytesseract\pytesseract.py 

找到文件：tesseract_cmd = 'tesseract'
修改为：tesseract_cmd = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

编写相应代码获取图片字符，首先是加载依赖包，读取图片，最终把从图片上读取出的字符写入一个文件保存起来，具体代码如下，两种方式实现：

from PIL import Image
import pytesseract

import os,sys
sys.path.append(os.getcwd())

def read_text(text_path):
    """
    传入文本(jpg、png)的绝对路径,读取文本
    :param text_path:
    :return: 文本内容
    """
    # 验证码图片转字符串
    im = Image.open(text_path)
    # 转化为8bit的黑白图片
    imgry = im.convert('L')
    # 二值化，采用阈值分割算法，threshold为分割点
    threshold = 140
    table = []
    for j in range(256):
        if j < threshold:
            table.append(0)
        else:
            table.append(1)
    out = imgry.point(table, '1')
    # 识别文本
    testdata_dir_config = '--tessdata-dir "C:\\Program Files\\Tesseract-OCR\\tessdata"'
    text = pytesseract.image_to_string(out, lang="chi_sim", config=testdata_dir_config)
    # text = pytesseract.image_to_string(out, lang="chi_sim")
    return text


def read_pic(text_path):
    im = Image.open(text_path)
    text = pytesseract.image_to_string(im, lang="eng")
    return text

if __name__ == '__main__':
    print(read_text("d://a2//test.png"))
    print(read_pic("C:/Users/jeff.xie/Desktop/YINWEN.png"))

最后的效果如下：

问题及解决：

 读取中文字符的时候有异常输出，如下

Python程序不能对中文进行编码，执行程序前，需要配置中文的环境，如下：

 
解决pytesseract.pytesseract.TesseractError: (1, ‘Error opening data file C:\Program Files\Tesseract-OCR\tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to your “tessdata” directory. Failed loading language ‘chi_sim’ Tesseract couldn’t load any languages! Could not initialize tesseract.’)
参考链接： https://www.pythonf.cn/read/167081

path = "img\\text-img.png"
testdata_dir_config = '--tessdata-dir "C:\\Program Files\\Tesseract-OCR\\tessdata"'
textCode = pytesseract.image_to_string(Image.open(path), config=testdata_dir_config, lang='chi_sim')

相关的学习资料：

编程：Python实现图片识别_xiaxianba的博客-CSDN博客_python图片识别

python3 图片文字识别 - shaomine - 博客园