使用tesseract-ocr实现图片中的中英文字符提取

1 tesseract-ocr介绍

OCR(Optical Character Recognition)：光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。

Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布，支持100多种语言。

pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。

github地址：https://github.com/tesseract-ocr/tesseract

2 tesseract-ocr安装

2.1 程序安装

Mac和Linux安装方法参考：Introduction | tessdoc

windows系统安装方法详解：

• 下载与安装

window安装程序下载地址：Index of /tesseract，下载完成后，按向导安装

安装时可以选择需要的语言包：

选择安装路径

注意：安装的路径要与python编写的程序放在同一个磁盘目录下。

• 设置环境比变量

将tesseract的安装路径添加到PATH环境变量中：

增加名字为TESSDATA_PREFIX的系统变量，变量值设置为tesseract的安装路径

命令行窗口输入：tesseract ，查看是否安装成功。

2.2 python工具包安装

pip install pytesseract
pip install Pillow

3 使用tesseract-ocr提取中英文字符

3.1 图片英文字符识别

import pytesseract
from PIL import Image
 
 
# 列出支持的语言
print(pytesseract.get_languages(config=''))
 
image_path = '../data/ocr_englist.jpg'
result = pytesseract.image_to_string(Image.open(image_path), lang='eng')
print(result)

 运行结果显示如下：

['eng', 'osd']
Spring will come when spring goes.

3.2 图片中文字符识别

中英文模型：https://github.com/tesseract-ocr/tessdata/blob/main/chi_sim.traineddata

存储到‘D:\Tesseract-OCR\tessdata’目录下。

import pytesseract
from PIL import Image
 
 
# 列出支持的语言
print(pytesseract.get_languages(config=''))
 
image_path = '../data/ocr_chinest.jpg'
result = pytesseract.image_to_string(Image.open(image_path), lang='chi_sim')
print(result)

运行结果如下：

['chi_sim', 'eng', 'osd']
短 评 : 中 美 各 自 的 成 功 是 彼 此 的 机 遇