使用Python进行OCR -- 识别图片中的文字

• 工具
  • Tesseract
  • pytesseract
  • tesserocr

朋友需要一个工具，将图片中的文字提取出来。我帮他在网上找了一些OCR的应用，都不好用。所以准备自己研究，写一个Web APP供他使用。

OCR¹，全称Optical character recognition，或者optical character reader，中文译名叫做光学文字识别。它是把图像文件中的手写文本，打印文本转换为机器编码文本的一种方法。

OCR技术广泛用于识别打印纸张中的文字数据 -- 比如护照，支票，银行声明，收据，统计表单，邮件等。OCR的早期版本，需要对图片中的每个文字都进行训练，一次只能作用于一种字体。高级的版本增加了很大的识别率，可以同时识别现在很多流行的字体，支持不同种类格式的图片文件。一些系统可以生成接近于原来图片格式的输出，包括图片，排版，以及其它非文本组件，这也叫做版面还原。

工具

Tesseract

现在最出名，最常用的OCR就是谷歌的tesseract OCR engine²。最新的版本是Tesseract4。Tesseract的主要开发者是Ray Smith³.

Tesseract支持unicode(UTF-8)，安装后即可识别超过100种语言。

Tesseract支持不同的输出可是：普通文本，hOCR(html)，PDF，TSV，invisible-text-only PDF。在master分支，还试验性地支持ALTO(XML)格式。

请记住，在大多数情况下，为了获得更好的OCR结果，你需要为提供给Tesseract的图片提升质量⁴.

Tesseract可以通过训练来识别其它语言和其它字体⁵.

另外，有很多第三方的Tesseract GUI应用。可以直接下载使用⁶。

pytesseract

Python-tesseract⁷(pytesseract)是Google Tesseract ORC引擎的封装。首次commit的2014年。用这个库，可以很方便地编写脚本，可以用它来识别所有可以由PIL识别的图片格式，包括jpeg, png, gif, bmp, tiff等， 而tesseract-orc本来只支持tiff和bmp两种格式。

如果在脚本中使用，识别的文本可以输出为Python字符串，而不是直接输出到文件中。

另外，这个代码库只有一个文件，400行代码。如果有任何疑问，可以直接翻看源代码。

tesserocr

tesserocr⁸也是一个TesseractOCR的封装库。它的首次commit是2015年。

这个库相对于pytesseract的优势在于⁹，这个库是使用Cython来直接调用Tesseract的C++ API。使用它和threading模块来处理图片，可以释放GIL，达到真正的并发执行。

但是我更喜欢pytesseract，因为它的API更加的pythonic。

---

1. Wiki: OCR ↩

2. Github: tesseract OCR engine ↩

3. Tesseract作者 Ray Smith，美国计算机科学家，计算机图形学的先驱. 他的中文名字叫做匠白光. ↩

4. Wiki: 为Tesseract提升图片质量 ↩

5. Wiki: 训练Tesseract ↩

6. Tesseract第三方GUI应用列表 ↩

7. Github: Python-tesseract ↩

8. Github: tesserocr ↩

9. Hacknews: 关于pytesseract, tesserocr的区别 ↩