小猪的Python学习之旅 —— 13.文字识别库pytesseract初体验

一、pytesseract库简介与安装

作为Tesseract OCR引擎的Python封装，pytesseract库通过调用Tesseract的底层功能，实现了对图片中文字的精准识别。该库的核心优势在于其开源免费特性与多语言支持能力，尤其适合处理中文、英文等常见语言的识别任务。

1.1 安装步骤详解

安装过程需分两步完成：

1. Tesseract OCR引擎安装

   • Windows用户：从UB Mannheim提供的安装包（https://github.com/UB-Mannheim/tesseract/wiki）下载，勾选附加语言包（如中文需选择`chi_sim`）
   • Mac用户：通过Homebrew执行brew install tesseract，如需中文支持需额外安装brew install tesseract-lang
   • Linux用户：Ubuntu/Debian系统使用sudo apt install tesseract-ocr，CentOS/RHEL系统使用sudo yum install tesseract

2. pytesseract库安装

   pip install pytesseract

   建议搭配Pillow库处理图片：

   pip install pillow

1.2 环境配置要点

• 路径设置：Windows用户需在代码中指定Tesseract路径：

  import pytesseract
  pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

• 语言包验证：通过tesseract --list-langs命令检查已安装语言包，确保包含所需语言（如chi_sim简体中文）

二、基础功能实现与代码解析

2.1 简单图片识别

from PIL import Image
import pytesseract
# 加载图片
image = Image.open('test.png')
# 执行识别（默认英文）
text = pytesseract.image_to_string(image)
print(text)
# 指定中文识别
text_cn = pytesseract.image_to_string(image, lang='chi_sim')
print(text_cn)

关键参数说明：

• lang：指定语言包（需提前安装）
• config：传递Tesseract配置参数，如'--psm 6'调整页面分割模式

2.2 图片预处理优化

针对低质量图片，建议进行预处理：

from PIL import Image, ImageEnhance, ImageFilter
def preprocess_image(image_path):
    # 打开图片并转为灰度
    img = Image.open(image_path).convert('L')
    # 增强对比度（系数1.5-2.0）
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)
    # 二值化处理（阈值150）
    img = img.point(lambda x: 0 if x < 150 else 255)
    # 高斯模糊降噪
    img = img.filter(ImageFilter.GaussianBlur(radius=0.5))
    return img
processed_img = preprocess_image('noisy.png')
text = pytesseract.image_to_string(processed_img, lang='chi_sim')

2.3 批量处理实现

import os
from PIL import Image
def batch_ocr(input_folder, output_file, lang='eng'):
    results = []
    for filename in os.listdir(input_folder):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            try:
                img_path = os.path.join(input_folder, filename)
                text = pytesseract.image_to_string(Image.open(img_path), lang=lang)
                results.append(f"{filename}:\n{text}\n")
            except Exception as e:
                results.append(f"{filename} 处理失败: {str(e)}\n")
    with open(output_file, 'w', encoding='utf-8') as f:
        f.writelines(results)
batch_ocr('images/', 'output.txt', 'chi_sim')

三、进阶应用与问题解决

3.1 PDF文件处理方案

import pytesseract
from pdf2image import convert_from_path
def pdf_to_text(pdf_path, output_file, lang='eng'):
    # 将PDF转为图片列表
    images = convert_from_path(pdf_path, dpi=300)
    full_text = []
    for i, image in enumerate(images):
        text = pytesseract.image_to_string(image, lang=lang)
        full_text.append(f"Page {i+1}:\n{text}\n")
    with open(output_file, 'w', encoding='utf-8') as f:
        f.writelines(full_text)
pdf_to_text('document.pdf', 'result.txt', 'chi_sim')

依赖安装：

pip install pdf2image
# Windows需安装poppler：https://github.com/oschwartz10612/poppler-windows/releases

3.2 常见问题解决方案

1. 中文识别乱码

   • 确认已安装中文语言包（chi_sim）
   • 检查图片质量，建议分辨率≥300dpi
   • 添加预处理步骤增强对比度

2. 识别准确率低

   • 调整--psm参数（值越大分割越精细）：

     text = pytesseract.image_to_string(image, config='--psm 6')

   • 使用config='-c tessedit_char_whitelist=0123456789'限制识别字符集

3. 性能优化建议

   • 对大图片进行裁剪处理
   • 使用多线程处理批量任务
   • 保存预处理后的图片供重复使用

四、实际应用场景拓展

4.1 验证码识别实践

import pytesseract
from PIL import Image, ImageOps
def recognize_captcha(image_path):
    # 灰度化+二值化
    img = Image.open(image_path).convert('L')
    img = img.point(lambda x: 0 if x < 128 else 255)
    # 调整识别参数
    custom_config = r'--oem 3 --psm 6 outputbase digits'
    text = pytesseract.image_to_string(img, config=custom_config)
    return text.strip()
print(recognize_captcha('captcha.png'))

4.2 表格数据提取

import pytesseract
import cv2
import numpy as np
def extract_table(image_path):
    # 读取图片并转为灰度
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
    # 检测轮廓
    contours = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    contours = contours[0] if len(contours) == 2 else contours[1]
    # 裁剪单元格区域
    cell_images = []
    for c in contours:
        x, y, w, h = cv2.boundingRect(c)
        if w > 20 and h > 20:  # 过滤小区域
            cell = gray[y:y+h, x:x+w]
            cell_images.append(cell)
    # 识别每个单元格
    results = []
    for cell in cell_images:
        text = pytesseract.image_to_string(cell, config='--psm 6')
        results.append(text.strip())
    return results

五、学习总结与建议

1. 识别效果优化路径：

   • 图片质量 > 预处理 > 参数调整 > 语言模型
   • 建议建立标准测试集评估不同配置的效果

2. 替代方案对比：

   • 商业API（如百度OCR、阿里云OCR）：适合对准确率要求高的场景
   • EasyOCR：开箱即用，支持更多语言但速度较慢
   • 深度学习模型（如CRNN）：适合定制化需求

3. 进阶学习方向：

   • 研究Tesseract的LSTM模型训练
   • 结合OpenCV实现自动区域检测
   • 开发Web接口提供OCR服务

通过本次实践，小猪不仅掌握了pytesseract的基础使用，更深入理解了OCR技术的核心原理。建议读者从简单案例入手，逐步尝试复杂场景，最终实现从图片到结构化数据的完整转换流程。