如何利用Python識別圖片中的文字

一、前言

不知道大家有沒有遇到過這樣的問題，就是在某個軟件或者某個網頁裡面有一篇文章，你非常喜歡，但是不能複製。或者像百度文檔一樣，只能複製一部分，這個時候我們就會選擇截圖保存。但是當我們想用到裡面的文字時，還是要一個字一個字打出來。那麼我們能不能直接識別圖片中的文字呢？答案是肯定的。

二、Tesseract

文字識別是ORC的一部分內容，ORC的意思是光學字符識別，通俗講就是文字識別。Tesseract是一個用於文字識別的工具，我們結合Python使用可以很快的實現文字識別。但是在此之前我們需要完成一個繁瑣的工作。

（1）Tesseract的安裝及配置

Tesseract的安裝我們可以移步到該網址 https://digi.bib.uni-mannheim.de/tesseract/，我們可以看到如下界面：

有很多版本供大家選擇，大家可以根據自己的需求選擇。其中w32表示32位系統，w64表示64位系統，大家選擇合適的版本即可，可能下載速度比較慢，大家可以選擇鏈接：https://pan.baidu.com/s/1YQCMnx-wCeNrJEE3wcEnQA 提取碼：rbc6下載。安裝時我們需要知道我們安裝的位置，將安裝目錄配置到系統path變量當中，我們路徑是D:CodeFieldTesseract-OCR。

我們右擊我的電腦/此電腦->屬性->高級系統設置->環境變量->Path->編輯->新建然後將我們的路徑複製進去即可。添加好系統變量後後我們還需要依次點確定，這樣才算配置好了。

（2）下載語言包

Tesseract默認是不支持中文的，如果想要識別中文或者其它語言需要下載相應的語言包，下載地址如下： https://tesseract-ocr.github.io/tessdoc/Data-Files ，進入網站後我們往下翻：

其中有兩個中文語言包，一個Chinese-Simplified和Chinese-Traditional，它們分別是簡體中文和繁體中文，我們選擇需要的下載即可。下載完成後我們需要放到Tesseract的路徑下的tessdata目錄下，我們路徑是D:CodeFieldTesseract-OCR essdata。

（3）其它模塊下載

除了上面的步驟，我們還需要下載兩個模塊：

  pip install pytesseract  pip install pillow

第一個是用於文字識別的，第二個是用於圖片讀取的。接下來我們就可以進行文字識別了。

三、文字識別

（1）單張圖片識別

接下來的操作就要簡單的多，下面是我們要識別的圖片：

接下來就是我們文字識別的代碼：

  import pytesseract  from PIL import Image  # 讀取圖片  im = Image.open('sentence.jpg')  # 識別文字  string = pytesseract.image_to_string(im)  print(string)

識別結果如下：

Do not go gentle into that good night!

因為默認是支持英文的，所以我們可以直接識別，但是當我們要識別中文或其它語言時就需要做些修改：

  import pytesseract  from PIL import Image  # 讀取圖片  im = Image.open('sentence.png')  # 識別文字，並指定語言  string = pytesseract.image_to_string(im, lang='chi_sim')  print(string)

在識別時，我們設置lang='chi_sim'，也就是把語言設置為簡體中文，只有當你的tessdata目錄下有簡體中文包該設置才會生效。下面是我們用來識別的圖片：

識別結果如下：

不 要 溫 順 的 走 進 那 個 良 夜

圖片內容被準確識別出來了。有一點我們需要知道，在我們將語言設置為簡體中文或其它語言後，Tesseract還是可以識別出英文字符。

（2）批量圖片識別

既然我們把單張圖片識別列出來了，就肯定還有批量圖片識別這個功能，這就需要我們準備一個txt文件了，比如我有text.txt文件，內容如下：

  sentence1.jpg  sentence2.jpg

我們將代碼修改為如下：

  import pytesseract  # 識別文字  string = pytesseract.image_to_string('text.txt', lang='chi_sim')  print(string)

但是這樣自己寫一個txt文件難免有些麻煩，因此我們又可以進行如下修改：

  import os  import pytesseract  # 文字圖片的路徑  path = 'text_img/'  # 獲取圖片路徑列表  imgs = [path + i for i in os.listdir(path)]  # 打開文件  f = open('text.txt', 'w+', encoding='utf-8')  # 將各個圖片的路徑寫入text.txt文件當中  for img in imgs:    f.write(img + ' ')  # 關閉文件  f.close()  # 文字識別  string = pytesseract.image_to_string('text.txt', lang='chi_sim')  print(string)

這樣我們只需要傳入一個文字圖片的根目錄就可以批量進行識別了。在測試過程中發現，Tesseract對手寫體、行楷等飄逸的字體識別不準確，對一些複雜的字識別也有待提升。但是宋體、印刷體等筆畫嚴謹的字體識別準確率很高。另外如果圖片的傾斜大於一定的角度，識別結果也會有很大差別。