文字 OCR 识别技术现在已经相当成熟了，无论 其 准确度还是识别速度 都能够满足我们的日常需要；今天给大家介绍一个 Python 包，该包的主要功能就是用于 OCR 识别的，包的名字叫 Pyteeseract，借助这个包几行代码就能快速识别一张文本图片

 

Pytesseract 包是由 开源工具 Tesseract 得到的，由 Hewlett Packard 实验室开发，在 2005 年实行开源；自2006 年之后由谷歌和一些优秀的开源贡献者共同开发维护

Tesseract 在 3.x 版本之后逐渐成熟，支持多种图片格式并且逐步加入多语言文本识别；但 Tesseract 3.x 版本依旧 基于传统计算机视觉算法，在过去的几年得益于 Deep Learning 的快速迭代，无论是准确率与速度方面都要优于传统算法；在 4.0 版本之后 Tesseract 加入了 Deep Learning 模块， 是基于 Recognition 的 LSTM，而 LSTM 就是可归类为 RNN(循环卷积神经网络);

本篇文章的实验是基于 Tesseract3.05 版本实现的，最后在中文语言识别方面准确率稍次，可能是因为没有使用4.0+的原因在，后来才了解已经有 4.0+ 版本甚至 5.0+ (但不太稳定)且都是基于 Deep Learning 模块的，但因为太懒就不想改了，，，

先交代一下实验环境：

1.os: Win10;

2.Python 3.8;

3.pyteeseract 0.3.8;

4.Tesseract 3.05；

pyteeseract 安装

1，安装 tesseract 工具

相对其它程序包，pyteeseract 的安装步骤会相对繁琐一点，因为 pyteeseract 识别功能是基于 tesseract 开源工具完成的，所以第一步 安装 tesseract ，安装包下载链接：

https://digi.bib.uni-mannheim.de/tesseract/

提供有 3.0+，4.0+及5.0+版本使用，下载完之后安装(安装方式就是傻瓜式安装)

tesseract 安装成功之后，需把存放 tesseract.exe 的文件路径加入到环境变量中，如下图我的 tesseract.exe 存放的文件夹就是 F:/Program Files/Tesseract-OCR 加入环境变量即可；

 

2，pip install pytesseract

在命令行中，用 pip 工具下载 pytesseract 包

 

3，修改pytesseract.py 脚本

在 步骤 2 的基础之上，找到 pytesseract 安装路径，如果 Python 是通过 Anaconda 安装的话的话，安装路径一般都是在
Anaconda/Lib/site-packages 文件夹下；找到之后找 pytesseract 文件夹下的 pytesseract.py 脚本文件，

 

找到之后，用记事本打开 pyresseract.py，通过 ctrl +f 快速搜索功能定位 tesseract_cmd ，修改后面的文件路径信息(用上面提到的 tesseract.exe 安装路径进行替换即可)；

 

pytesseract 使用

程序包的用法也相对比较简单，几行代码就能搞定，下面代码就是把一张图片中的文字识别，并转化为 字符串打印出来，选择识别语言 英语( 更改 lang = ‘eng' 参数即可)

import pytesseract

import cv2

img_path = "G:/Coding/One_hundred_days/Data/orc_image2.jpg"

# 下面一行代码很重要

tessdata_dir_config = '--tessdata-dir "F://Program Files//Tesseract-OCR//tessdata"'

im = cv2.imread(img_path)

img = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)

text = pytesseract.image_to_string(img,lang= 'eng',config= tessdata_dir_config,)

print(text)

效果预览，识别前

 

识别后

 

pytesseract 支持将 OpenCV 和 PIL 读取后的图像作为输入，但图像格式需为 RGB 模式，因此 OpenCV 读取之后还要加入一行代码把图像的 BGR 模式转化为 RGB

另外需要注意一点 ,上面实例中下面这一行代码不能去掉(用于后面 image_to_string() 函数中的 config 参数的设置)

tessdata_dir_config = '--tessdata-dir "F://Program Files//Tesseract-OCR//tessdata"'

否则会报下面的错误，tessdata 文件路径定位失败 ，

Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.')

tessdata 文件路径存放的是语言包文件，是用于 识别图像中不同语言，通过修改 lang 参数来进行设定；但需要知道的是，tesseract 工具起初默认语言为 eng(英文)，若需要借助 tesseract 识别不同语种需要下载对应的 语言包文件，安装到 tessdata 文件夹下即可

例如上面案例中我用的是 英语，这里我想识别图片中的中文字符，就需要把中文语言包下载 到 testdata 中，各语言包的下载地址，
https://github.com/tesseract-ocr/tessdata

再把代码中 image_to_string() 中 lang 参数设为 chi_sim 即可

效果预览，识别前

 

识别后，对于中文来说识别效果并不是太好，猜测可是是版本的原因:

 

pyteeseract 其他用法

1，除了上面可以直接把图像中内容识别转化为字符串之外，还可直接转化 pdf 文件形式导出

 

 

2，估计识别出来每个字符的边框信息，图片中的位置分辨率范围:

print(pytesseract.image_to_boxes(img_path,lang = 'chi_sim',config= tessdata_dir_config))

 

3，关于 pyteeseract 还有很多用法还未介绍，有兴趣的小伙伴可以找我要资料