tesserocr与pytesseract模块的使用方法解析

当我们需要进行文字识别时，tesserocr和pytesseract是两个常用的Python模块。它们本质上都是封装了Google Tesseract OCR引擎的Python API，因此都能够实现图片文字的识别。接下来，我们将详细讲解这两个模块的使用方法及其区别。

Tesserocr模块

安装

在开始使用Tesserocr前，需要先安装Tesseract OCR引擎。在Ubuntu系统上，可以通过以下命令进行安装：

sudo apt-get install libleptonica-dev libtesseract-dev tesseract-ocr-dev

在Windows系统上，可以从Tesseract官网下载对应版本的安装文件进行安装。安装完成后，需要使用以下命令安装tesserocr模块：

pip install tesserocr

使用

基本使用

以下是一个基本的使用示例：

import tesserocr
from PIL import Image

# 打开图片
image = Image.open('test.png')

# 图片转换为灰度模式
image = image.convert('L')

# 获取文本
text = tesserocr.image_to_text(image)

print(text)

以上示例中，我们使用Image.open()方法打开一张图片，然后将其转换为灰度模式。接着，使用tesserocr.image_to_text()方法提取出图片中的文本。

调整参数

以下是一个调整了一些参数的示例：

import tesserocr
from PIL import Image

# 打开图片
image = Image.open('test.jpg')

# 图片转换为灰度模式
image = image.convert('L')

# 调整参数
api = tesserocr.PyTessBaseAPI()
api.SetVariable("tessedit_char_whitelist", "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ")
api.SetImage(image)

# 获取文本
text = api.GetUTF8Text()

print(text)

以上示例中，我们使用了api.SetVariable()方法，设定tesseract识别字符的白名单，只允许tesseract识别出0-9、大小写字母等字符，这可以帮助我们提高识别率。然后，我们使用tesserocr.PyTessBaseAPI()创建api对象，并将图片设置为输入。最后，使用api.GetUTF8Text()方法提取出图片中的文本。

Pytesseract模块

安装

在开始使用pytesseract前，需要先安装Tesseract OCR引擎。在Ubuntu系统上，可以通过以下命令进行安装：

sudo apt-get install libleptonica-dev libtesseract-dev tesseract-ocr-dev

在Windows系统上，可以从Tesseract官网下载对应版本的安装文件进行安装。安装完成后，需要使用以下命令安装pytesseract模块：

pip install pytesseract

使用

基本使用

以下是一个基本的使用示例：

import pytesseract
from PIL import Image

# 打开图片
image = Image.open('test.png')

# 图片转换为灰度模式
image = image.convert('L')

# 获取文本
text = pytesseract.image_to_string(image)

print(text)

以上示例中，我们使用Image.open()方法打开一张图片，然后将其转换为灰度模式。接着，使用pytesseract.image_to_string()方法提取出图片中的文本。

调整参数

以下是一个调整了一些参数的示例：

import pytesseract
from PIL import Image

# 打开图片
image = Image.open('test.jpg')

# 图片转换为灰度模式
image = image.convert('L')

# 调整参数
text = pytesseract.image_to_string(image, lang='eng', config='--psm 11 --oem 3 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ')

print(text)

以上示例中，我们使用了lang参数指定语言（默认是eng），config参数来设置参数，其中--psm表示Page segmentation mode，--oem表示OCR Engine Mode，tessedit_char_whitelist表示字符白名单。最后，使用pytesseract.image_to_string()方法提取出图片中的文本。

总结

tesserocr和pytesseract都是Python的OCR库，用于图片文字识别，本质上都是封装了Google Tesseract OCR引擎的Python API。它们的使用方法类似，但是在参数的设定上有所不同。总的来说，如果需要更加灵活的控制，建议使用tesserocr，如果对参数控制需求不高，则可以使用pytesseract。