使用python的pytesseract调用谷歌tesseract-ocr识别中英文字符

目录

• 1tesseract-ocr简介
• 2Pytesseract简介
• 3安装
  • 3.1安装tesseract-ocr
  • 3.2安装语言库
  • 3.3安装依赖及pytesseract
• 4使用
• 5示例

tesseract-ocr简介

一款免费的开源图像OCR文字识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后由Google进行改进、修改bug、优化，重新发布。它就能根据你的命令将你想要识别的图片中的文字转换成文本的形式，或者转换成能被常规文本编辑器编辑的文本如pdf。到目前为止，它已经支持简体中文、繁体中文、英文、日文、韩文等等60多种语言的识别。并随着大家对它功能上的要求在不断改进、不断消除bug、优化功能。

Pytesseract简介

Pytesseract是python的光学字符识别（OCR）工具。也就是说，它将识别并读取嵌入图像中的文本。 Pytesseract是Google的Tesseract-OCR引擎的包装器。它作为独立的调用脚本也很有用，因为它可以读取Python Imaging Library支持的所有图像类型，包括jpeg，png，gif，bmp，tiff等，而tesseract-ocr默认只支持tiff和bmp。

安装

安装tesseract-ocr

sudo apt-get install tesseract-ocr               

安装语言库

tesseract-ocr-eng是英文库，tesseract-ocr-chi-sim是中文库

sudo apt-get install tesseract-ocr-eng tesseract-ocr-chi-sim            

安装依赖及pytesseract

pytesseract是python调用谷歌tesseract-ocr工具的一个库，用于识别图片中的信息

# 安装Pillow
sudo pip3 install Pillow
# 安装pytesseract
sudo pip3 install pytesseract           

使用

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract

# 如果PATH中没有tesseract可执行文件，请指定tesseract路径
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'/usr/share/tesseract'

# 识别的图像的字符串
print(pytesseract.image_to_string(Image.open('test.png')))

# 指定语言识别图像字符串,eng为英语
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

# In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png'))

# Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt'))

# Timeout/terminate the tesseract job after a period of time
try:
    print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds
    print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error:
    # Tesseract processing is terminated
    pass

# 获取图像边界框
print(pytesseract.image_to_boxes(Image.open('test.png')))

# 获取包含边界框，置信度，行和页码的详细数据
print(pytesseract.image_to_data(Image.open('test.png')))

# 获取方向和脚本检测
print(pytesseract.image_to_osd(Image.open('test.png')))

# Get a searchable PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f:
    f.write(pdf) # pdf type is bytes by default

# Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr')

示例

提取本地图片上的文字为一个整体的字符串

def get_image_string(path, filename):
    '''使用谷歌开源框架ocr技术提取图片上的信息为字符串

    :Param path: <str> 图片的位置

    :Param filename: <str> 图片的名称

    :Return : <string> 从图片中提取的字符串

    '''
    username = getpass.getuser()
    path_base = '/home/' + str(username) + '/' + str(path) + '/' + str(filename) + '.png'
    text = pytesseract.image_to_string(Image.open(path_base), lang="chi_sim").replace(" ", "").replace("\n", "")
    print(text)
    return text