Python实现OCR识别之pytesseract案例详解

1. 简介

OCR识别（Optical Character Recognition）即“光学字符识别”，是一种将文本、表格、图片等非结构化数据自动转换成可搜索、可编辑、可存储的结构化数据的技术。pytesseract是一个开源的OCR库，能够读取不同语言的图片中的文本，并将其转换为计算机可以处理的结构化数据。在本文中，将详细介绍利用Python和pytesseract实现中文OCR识别的案例。

2. 安装pytesseract

在利用Python实现中文OCR识别之前，需要先安装pytesseract。pytesseract依赖于Tesseract，所以需要先安装Tesseract。

2.1 安装Tesseract

Tesseract是一个开源的OCR引擎，支持各种语言的OCR识别，可在多种平台上运行，从Windows和MacOS到Linux和Android。由于Tesseract不支持中文OCR识别，需要另外下载中文字库，我们可以使用下面的命令安装：

sudo apt-get install tesseract-ocr 

sudo apt-get install libtesseract-dev

安装好后，我们可以通过下面的命令查看Tesseract的版本信息：

tesseract -v

2.2 安装pytesseract

在安装好Tesseract后，可以使用pip来安装pytesseract。

pip install pytesseract

安装完成后，就可以使用pytesseract读取图片中的文本内容。

3. 实现中文OCR识别

在安装好pytesseract后，我们就可以来尝试实现中文OCR识别了。

3.1 读取图片内容

首先，我们需要读取一张待识别的图片。在这里，我们使用Pillow库读取图片。

from PIL import Image

# 读取图片
img = Image.open('test.png') 

其中，'test.png'为待识别的图片所在的路径。

读取完成后，可以将图片显示出来，以便于观察。

# 显示图片

img.show()

如果未安装Pillow库，可以使用以下命令进行安装

pip install Pillow

3.2 识别图片中的文本

读取图片后，我们就可以在其中识别出文本了。在这里，我们使用pytesseract来实现。pytesseract中提供了一个image_to_string方法，用于将图片中的文本转换为字符串。

import pytesseract

# 将图片转换为字符串
text = pytesseract.image_to_string(img, lang='chi_sim') 
print(text)

其中，lang参数为指定使用的语言，默认情况下使用英语。由于我们要识别的是中文，所以需要指定为‘chi_sim’。

运行完成后，将会在终端输出识别结果。

3.3 输出识别结果

最后一步，我们需要将识别结果输出。在这里，我们使用FileIO操作，将识别结果保存到一个文件中。

with open('result.txt', 'w') as f:

    f.write(text)

其中，'result.txt'为保存结果的文件名。运行完成后，将会在当前目录下生成一个result.txt文件，其中包含了图片中识别出来的文本内容。

4. 总结

通过上述实例，我们可以看到，利用Python和pytesseract实现OCR识别并不是很复杂。可通过读取一张图片并调用pytesseract中提供的方法，轻松将其中的文本内容识别并搬运到文件中。