【OCR】总结Python中图片与pdf识别文本的方法

1、PaddleOCR：

基于百度飞桨框架开发，模型丰富，支持多语言识别，包括中文、英文等。性能强大，适合复杂场景的文字识别

安装 PaddleOCR 库：

pip install paddleocr

示例代码

from paddleocr import PaddleOCR, draw_ocr
from PIL import Image

# 初始化 PaddleOCR
# 参数解释：
# `lang`：指定语言模型，如 'en'（英文）、'ch'（中文）等。
# `use_angle_cls`：是否启用文字方向分类器。
ocr = PaddleOCR(use_angle_cls=True, lang='en')  # 也可以设置为 'ch' 用于中文[^28^]

# 指定图片路径
img_path = 'example.jpg'  # 替换为你的图片路径

# 执行 OCR 识别
result = ocr.ocr(img_path, cls=True)  # `cls=True` 表示启用方向分类器

# 打印识别结果
for line in result:
    print(line)

# 可选：绘制识别结果并保存
if result:
    image = Image.open(img_path).convert('RGB')
    boxes = [line[0] for line in result]  # 提取文字框
    txts = [line[1][0] for line in result]  # 提取文字内容
    scores = [line[1][1] for line in result]  # 提取置信度

    # 绘制结果
    im_show = draw_ocr(image, boxes, txts, scores, font_path='path/to/PaddleOCR/doc/fonts/simfang.ttf')
    im_show = Image.fromarray(im_show)
    im_show.save('result.jpg')  # 保存绘制后的图片[^28^]

2、RapidOCR

首先，确保安装了 RapidOCR 的 ONNXRuntime 版本，这是一个轻量级且高效的推理引擎：

pip install rapidocr_onnxruntime

示例代码：识别数字和字母

以下代码展示了如何使用 RapidOCR 识别图片中的数字和字母，并仅打印识别结果：

from rapidocr_onnxruntime import RapidOCR

# 初始化 OCR 引擎
ocr = RapidOCR()

# 指定图片路径
img_path = 'example.jpg'  # 替换为你的图片路径

# 执行识别
result, _ = ocr(img_path)

# 提取并打印识别结果（仅数字和字母）
if result:
    for line in result:
        text = line[1]  # 提取文字内容
        # 筛选只包含数字和字母的文本
        if text.isalnum():
            print(text)
else:
    print("未识别到文字")

注意事项

• 图片路径：确保 img_path 指向的图片包含数字或字母。
• 语言设置：默认情况下，RapidOCR 支持中英文混合识别。如果需要识别其他语言，可以参考文档进行配置。
• 环境要求：确保 Python 版本为 3.6 或更高。

3、EasyOCR

• 特点：易于使用，支持多种语言（包括中文、英文等），基于深度学习技术，适合初学者和快速集成。

• 安装方法：

  pip install easyocr

• 使用示例：

  import easyocr
  
  reader = easyocr.Reader(['en', 'ch_sim'])  # 支持多语言
  img_path = 'example.jpg'
  result = reader.readtext(img_path)
  for line in result:
      print(line[1])  # 打印识别结果

4、Pytesseract

• 特点：Tesseract 的 Python 封装，支持多种语言，使用简单，适合传统 OCR 任务。

• 安装方法：

  pip install pytesseract

  需要先安装 Tesseract OCR，可以从 Tesseract 官网 下载。

• 使用示例：

  from PIL import Image
  import pytesseract
  
  img_path = 'example.jpg'
  text = pytesseract.image_to_string(Image.open(img_path), lang='eng')
  print(text)  # 打印识别结果

5、DocTR

• 特点：专注于文档分析和表格识别，能够提取文档中的结构化信息，适合处理复杂布局的文档。

• 安装方法：

  pip install python-doctr

• 使用示例：

  from doctr.models import ocr_predictor
  from doctr.io import DocumentFile
  
  img_path = 'example.jpg'
  doc = DocumentFile.from_images(img_path)
  model = ocr_predictor(pretrained=True)
  result = model(doc)
  for block in result.pages[0].blocks:
      for line in block.lines:
          for word in line.words:
              print(word.value)  # 打印识别结果

6、PyOCR

• 特点：封装了多个 OCR 引擎（如 Tesseract、Cuneiform 等），提供了统一的接口。

• 安装方法：

  pip install pyocr

• 使用示例：

  import pyocr
  from PIL import Image
  
  tools = pyocr.get_available_tools()
  ocr_tool = tools[0]
  img_path = 'example.jpg'
  text = ocr_tool.image_to_string(Image.open(img_path), lang='eng')
  print(text)  # 打印识别结果

选择建议：

• 速度优先：推荐使用 RapidOCR 或 EasyOCR。

• 准确性优先：推荐使用 PaddleOCR。

• 易用性优先：推荐使用 EasyOCR。

• 文档分析优先：推荐使用 docTR。

注意：根据你的具体需求（如语言支持、应用场景、性能要求等），可以选择最适合的 OCR 库。