python利用pytesseract 实现本地识别图片文字

针对“python利用pytesseract 实现本地识别图片文字”的完整攻略，我会提供以下内容：

简介

pytesseract是一个OCR（光学字符识别）库，它可用于将图像中的文本转换为可编辑文本格式，如txt、doc和pdf等。Tesseract是一个开源OCR引擎，它被Google开发并维护。

Python接口可供使用。它可以通过pip命令安装，并且Tesseract库需要先被安装，本地化安装方法请自行查找。

使用方式

在Python程序中，通过绑定pytesseract库及其参数，我们可以非常方便地实现本地图片中文本的识别。

示例代码如下：

import pytesseract
from PIL import Image

img = Image.open('test.png')
text = pytesseract.image_to_string(img)
print(text)

其中，我们需要先通过Pillow库中的Image打开图片文件，再使用pytesseract.image_to_string()方法识别其中的文本内容，最后打印输出。

参数调整

pytesseract提供了一些可选参数，来帮助我们实现更优秀的文字OCR识别效果。

首先，我们可以通过lang参数，设置OCR识别所使用的语言，示例如下：

text = pytesseract.image_to_string(img, lang='chi_sim')

其中，'chi_sim'代表简体中文，如果需要识别其他语言，需要更改参数。

其次，我们可以通过psm参数，设置OCR识别所依赖的页面分割模式，示例如下：

text = pytesseract.image_to_string(img, config='--psm 6')

其中，'--psm 6'代表块式文本（high-level）。

其他常见参数还包括：

• oem参数，设置OCR识别引擎模式，取值一般为1、2、3、4，默认3
• config参数，用来在命令行传递其他Tesseract扩展参数，例如突出文本边缘、二值化等

text = pytesseract.image_to_string(img, lang='chi_sim', config='--psm 6 --oem 1')

这里举了一个同时设置了lang、config和oem三个参数的示例。

示例说明

下面提供两个示例，分别为在Python中读取本地图片及在线图片的OCR识别示例。

本地图片OCR识别

示例代码如下：

import pytesseract
from PIL import Image

img_path = 'test.png'

with open(img_path, 'rb') as f:
    img = Image.open(f)
    text = pytesseract.image_to_string(img, lang='chi_sim', config='--psm 6')
    print(text)

其中，我们采用tolerate_ocr_errors=True参数，可以忽略OCR识别时出现的错误警告，从而避免因为某个字符无法被识别而导致代码报错。

在线图片OCR识别

示例代码如下：

import pytesseract
from PIL import Image
import requests
from io import BytesIO

img_url = 'https://i.imgur.com/MfEDeTE.png'
response = requests.get(img_url)
img = Image.open(BytesIO(response.content))

text = pytesseract.image_to_string(img, lang='chi_sim', config='--psm 6')
print(text)

在这个示例代码中，我们通过requests库下载了一张线上图片，然后转化为Image类型。在接下来的处理中，与本地图片识别示例相同。