100行Python代码实现一款高精度免费OCR工具

近期Github开源了一款基于Python开发、名为 Textshot 的截图工具，刚开源不到半个月已经500+Star。

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：1097524789

这两天抽空看了一下Textshot的源码，的确是一个值得介绍的项目。

相对于大多数OCR工具复杂工程、差强人意的效果，Textshot具有明显的优势，

• 项目简单
• 技术点丰富

项目简单

Textshot整个项目只有1个Python文件、139行代码，没有复杂的第三方库应用，也不涉及过多后端算法的调用。

技术点丰富

Textshot这个项目虽然只有短短的139行代码，但是，却涉及Python中多个方面的知识应用，

• UI开发
• 截图工具开发
• 后端引擎调用

通过这短短的项目，你不仅可以聊天如何利用 PyQt5 实现一个用户界面，还可以学会如何使用 pyscreenshot 开发一款自己的截图工具。此外，还能够学会后端tesseract的调用。

换句话说，这短短的139行代码囊括了 前端 至 后端 的整个流程，而且涉及到 截图 和 OCR两款工具的衔接。因此，Textshot虽然工程不大，却是一个非常完备、值得学习的项目。

本文就来剖析这个项目的源代码，教你一步一步实现自用且永久免费的截图&OCR工具！

tesseract

目前OCR工具数不胜数，但是大多数都是在相同的后端算法上面进行了不同的封装而已。而真正在OCR核心做的较好、值得大书特书的，那么一定非 tesseract 莫属。

tesseract早在1985就已经开始由HP实验室开始研发，而在1995年更是被评为最为准确的3款OCR工具之一。此后，tesseract被开源，经过Google对其不断的进行优化和升级，它目前已经成为OCR方面一款标杆性的工具。很多开源或者付费的OCR工具，都是直接调用tesseract或者对其进行稍许优化。

而今天介绍的Textshot就是直接调用tesseract后端引擎进行OCR识别。因此，Textshot只是实现了一款截图工具，起到前后端的串联作用，在OCR识别算法方面并没有做任何工作。

tesseract安装

由于Textshot的OCR识别需要调用tesseract后端引擎，所以，首先需要安装tesseract。

Windows版安装可以直接访问下载链接[1].

Mac下可以使用Homebrew进行安装，

brew install tesseract

Textshot

Textshot是一款 截图识别文字 的OCR工具，因此，它主要涉及2个环境，

• 截图
• OCR识别

Textshot首先通过 截图 获取需要进行文字识别的图像，然后对这副图像进行OCR文字识别，输出识别结果。

前面已经介绍了，Textshot的OCR识别阶段调用的是tesseract，所以只需要1行代码即可完成。

因此，Textshot的工作主要是围绕前端窗口和截图工具的实现方面。

截图工具

截图工具是我们经常会用到的一种工具，如何实现一款截图工具？

很多人会把它想的非常复杂，其实，Python中有很多可以实现截图的库或者函数，例如， pyscreenshot 或者 pillow 中的 ImageGrab 函数，它的调用方式如下，

shot = ImageGrab.grab(bbox=(x1, y1, x2, y2))

也就是说，我们只需要把 鼠标框选 的 起点 和 终点 坐标传给grab方法就可以实现截图功能。

那么，现在问题就转化为 如何获取鼠标框选的起点和终点？

Textshot通过调用PyQt5并继承QWidget来实现鼠标框选过程中的一些方法来获取框选的起点和终点。

Textshot继承和重写QWidget方法主要包括如下几个，

keyPressEvent(self, event)
paintEvent(self, event)
mousePressEvent(self, event)
mouseMoveEvent(self, event)
mouseReleaseEvent(self, event)

可以看出，上面重写的方法以及囊括了截图过程中涉及的各个动作，

• 点击鼠标
• 拖动、绘制截图框
• 释放鼠标

class Snipper(QtWidgets.QWidget):
    def __init__(self, parent=None, flags=Qt.WindowFlags()):
        super().__init__(parent=parent, flags=flags)

        self.setWindowTitle("TextShot")
        self.setWindowFlags(
            Qt.FramelessWindowHint | Qt.WindowStaysOnTopHint | Qt.Dialog
        )

        self.is_macos = sys.platform.startswith("darwin")
        if self.is_macos:
            self.setWindowState(self.windowState() | Qt.WindowMaximized)
        else:
            self.setWindowState(self.windowState() | Qt.WindowFullScreen)

        self.setStyleSheet(" font-weight: 700;">self.setWindowOpacity(0.5)

        QtWidgets.QApplication.setOverrideCursor(QtGui.QCursor(QtCore.Qt.CrossCursor))

        self.start, self.end = QtCore.QPoint(), QtCore.QPoint()

    def keyPressEvent(self, event):
        if event.key() == Qt.Key_Escape:
            QtWidgets.QApplication.quit()

        return super().keyPressEvent(event)

    def paintEvent(self, event):
        if self.start == self.end:
            return super().paintEvent(event)

        painter = QtGui.QPainter(self)
        painter.setPen(QtGui.QPen(QtGui.QColor(255, 255, 255), 3))
        painter.setBrush(QtGui.QColor(255, 255, 255, 100))

        if self.is_macos:
            start, end = (self.mapFromGlobal(self.start), self.mapFromGlobal(self.end))
        else:
            start, end = self.start, self.end

        painter.drawRect(QtCore.QRect(start, end))
        return super().paintEvent(event)

    def mousePressEvent(self, event):
        self.start = self.end = QtGui.QCursor.pos()
        self.update()
        return super().mousePressEvent(event)

    def mouseMoveEvent(self, event):
        self.end = QtGui.QCursor.pos()
        self.update()
        return super().mousePressEvent(event)

    def mouseReleaseEvent(self, event):
        if self.start == self.end:
            return super().mouseReleaseEvent(event)

        x1, x2 = sorted((self.start.x(), self.end.x()))
        y1, y2 = sorted((self.start.y(), self.end.y()))

然后启动截图界面，

QtCore.QCoreApplication.setAttribute(Qt.AA_DisableHighDpiScaling)
app = QtWidgets.QApplication(sys.argv)
window = QtWidgets.QMainWindow()
snipper = Snipper(window)
snipper.show()

用户拖动、框选窗口，会获取窗口的起点和终点的坐标，这时候可以调用下面语句进行截图，获取需要OCR识别的文本图像，

shot = ImageGrab.grab(bbox=(x1, y1, x2, y2))

OCR文字识别

通过 ImageGrab.grab 截取到文本图像 shot ，下一步就是要把图像内容输入给后端的tesseract引擎，让它把图像转化为字符串

result = pytesseract.image_to_string(img, timeout=2, lang=(sys.argv[1] if len(sys.argv) > 1 else None))

到这里，就实现了一款准确度高、永久免费的OCR工具。

回顾一下Textshot的项目，我们会发现截图坐标范围内的图像、OCR识别只需要2行代码，大多数都是在围绕获取窗口起点和终点坐标在开发。换句话说，Textshot这个项目对OCR核心部分并没有做任何更改，只是在产品包装方面做了一些巧妙的工作。

我们其实也可以发现思维，产生更多与众不同的产品思路，例如，

• 通过Python的第三方PDF处理库实现一款PDF文本识别工具
• tesseract结合web框架实现一个网页端OCR工具
• 结合tesseract和Google、有道翻译API实现一款OCR+翻译工具
• ...