Python实现图片中文字提取（OCR）

用Python提取图片中的文字，用到的工具包有PIL,pytesseract,tesseract-ocr 注意： 库的安装相对麻烦一点,一般都是不能直接安装成功的，这里总结了安装过程中的一些坑给大家参考。 （1）首先是PIL库安装，有的电脑可以直接从PYCHARM库里直接导入，但是大部分的电脑是安装不了的，可以采取两种方式一种是用pip install PIL这种方式一般比较慢，还有一种方法就是在PYCHARM库里面直接安装pillow-PIL安装成功后就不会报错了。 （2）然后就是pytesseract库的安装，在pycharm库里面可以直接搜索到然后安装。这两个库安装完成后运行代码还是会报 在Python编程领域，有时我们需要从图像中提取文字，这一过程被称为光学字符识别（OCR）。本文将详细介绍如何使用Python实现这个功能，重点涉及PIL、pytesseract和tesseract-ocr这三个关键工具包。 PIL（Python Imaging Library）是Python处理图像的基础库，但在某些情况下，直接通过PyCharm安装可能会遇到问题。解决方法有两种：一是通过命令行使用`pip install PIL`进行安装，但此方法速度较慢；二是直接在PyCharm的库管理器中搜索并安装`pillow-PIL`，这样通常能更顺利地完成安装。 接着，我们需要安装`pytesseract`，这是一个Python接口，用于谷歌的Tesseract OCR引擎。在PyCharm中，可以直接搜索并安装该库。然而，仅安装`pytesseract`还不够，因为还需要Tesseract-OCR的可执行文件`tesseract.exe`。你可以从官方渠道下载并安装Tesseract，确保将其路径添加到系统环境变量，以便Python能够找到它。 在安装完成后，如果遇到错误提示"tesseract is not installed or it’s not in your path"，你需要检查`pytesseract`的源码，找到`tesseract_cmd = 'tesseract'`这行，将其修改为实际的`tesseract.exe`的完整路径。 接下来，你可以尝试运行以下代码来测试OCR功能： ```python from PIL import Image import pytesseract # 打开并处理图像 images = Image.open('003.jpg') print(images.size) # 使用pytesseract进行文本识别 text = pytesseract.image_to_string(images) print(text) ``` 这段代码会打开名为'003.jpg'的图片，并尝试从中提取文字。 如果需要识别中文，除了上述步骤外，还需额外安装中文语言数据包。你可以从提供的链接下载对应的数据文件，然后将其放到Tesseract-OCR安装目录下的`tessdata`文件夹中。之后，你可以修改代码来识别中文： ```python import pytesseract from PIL import Image # 打开英文图像 im_en = Image.open('003.jpg') # 打开中文图像 im_ch = Image.open('004.jpg') # 识别英文 print('========识别字母========') print(pytesseract.image_to_string(im_en), '\n\n') # 识别中文，指定语言参数为'chi_sim'（简体中文） print('========识别中文========') print(pytesseract.image_to_string(im_ch, lang='chi_sim')) ``` 至此，你已经具备了使用Python和相关库进行OCR文字提取的基本能力，无论是英文还是中文，都能轻松应对。这只是OCR应用的一个简单示例，实际上，OCR技术在文档数字化、自动表单填写、信息抓取等领域都有广泛的应用。在实际项目中，你可能还需要对图像进行预处理，如灰度化、二值化等，以提高识别准确率。同时，`pytesseract`也提供了多种配置选项，可以根据需要调整识别策略。