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(wǎng)頁里面有一篇文章，你非常喜歡，但是不能復(fù)制。或者像百度文檔一樣，只能復(fù)制一部分，這個時(shí)候我們就會選擇截圖保存。但是當(dāng)我們想用到里面的文字時(shí)，還是要一個字一個字打出來。那么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(nèi)容，ORC的意思是光學(xué)字符識別，通俗講就是文字識別。Tesseract是一個用于文字識別的工具，我們結(jié)合Python使用可以很快的實(shí)現(xiàn)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(wǎng)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(jù)自己的需求選擇。其中w32表示32位系統(tǒng)，w64表示64位系統(tǒng)，大家選擇合適的版本即可，可能下載速度比較慢。安裝時(shí)我們需要知道我們安裝的位置，將安裝目錄配置到系統(tǒng)path變量當(dāng)中，我們路徑是D:\CodeField\Tesseract-OCR。

我們右擊我的電腦/此電腦->屬性->高級系統(tǒng)設(shè)置->環(huán)境變量->Path->編輯->新建然后將我們的路徑復(fù)制進(jìn)去即可。添加好系統(tǒng)變量后后我們還需要依次點(diǎn)確定，這樣才算配置好了。

（2）下載語言包

Tesseract默認(rèn)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(yīng)的語言包，下載地址如下： https://tesseract-ocr.github.io/tessdoc/Data-Files ，進(jìn)入網(wǎng)站后我們往下翻：

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。下載完成后我們需要放到Tesseract的路徑下的tessdata目錄下，我們路徑是D:\CodeField\Tesseract-OCR\tessdata。

（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

第一個是用于文字識別的，第二個是用于圖片讀取的。接下來我們就可以進(jìn)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(jié)果如下：

Do not go gentle into that good night!

因?yàn)槟J(rèn)是支持英文的，所以我們可以直接識別，但是當(dāng)我們要識別中文或其它語言時(shí)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，并指定語言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

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

識別結(jié)果如下：

圖片內(nèi)容被準(zhǔn)確識別出來了。有一點(diǎn)我們需要知道，在我們將語言設(shè)置為簡體中文或其它語言后，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(zhǔn)備一個txt文件了，比如我有text.txt文件，內(nèi)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(jìn)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(dāng)中
for img in imgs:
    f.write(img + '\n')
# 關(guān)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(jìn)行識別了。在測試過程中發(fā)現(xiàn)，Tesseract對手寫體、行楷等飄逸的字體識別不準(zhǔn)確，對一些復(fù)雜的字識別也有待提升。但是宋體、印刷體等筆畫嚴(yán)謹(jǐn)?shù)淖煮w識別準(zhǔn)確率很高。另外如果圖片的傾斜大于一定的角度，識別結(jié)果也會有很大差別。