PyTesseract实战指南：让Python拥有火眼金睛的OCR神器！！！

javajenius

于 2025-06-11 17:12:23 发布

阅读量526

点赞数 20

CC 4.0 BY-SA版权

文章标签： python ocr 开发语言其他

本文链接：https://blog.youkuaiyun.com/javajenius/article/details/148590287

文章目录

（超级重要）在这个数字时代，纸质文档电子化已经成为刚需！今天要给大家安利一个能让Python瞬间获得文字识别超能力的利器——PyTesseract！！！作为Tesseract OCR引擎的Python封装库，它能让你的程序轻松看懂图片里的文字，处理发票、证件、书籍扫描件都不在话下~

🔥 三分钟极速安装

先来解决最关键的安装问题！（Windows用户特别注意）这里有个大坑要避开——PyTesseract本体只是个引擎封装，必须配合Tesseract主程序使用！

安装Python包

pip install pytesseract

安装Tesseract本体

Windows：官网下载安装包（推荐选5.0+版本）
Mac：brew install tesseract
Linux：sudo apt install tesseract-ocr

（超级重要！！！）Windows用户安装时一定要勾选添加到系统PATH选项，否则Python会找不到引擎位置！

💡 基础用法：三步搞定文字识别

来看这段让所有萌新直呼"真香"的示例代码：

from PIL import Image
import pytesseract

# 魔法开始！
img = Image.open('invoice.png')
text = pytesseract.image_to_string(img, lang='eng+chi_sim')
print(text)

（注意）这里用到了lang参数指定语言，'eng+chi_sim’表示同时识别英文和简体中文，多个语言用加号连接

🚀 进阶技巧大公开

1. 图像预处理才是王道！

直接识别原图效果差？试试这些预处理操作：

from PIL import ImageOps, ImageFilter

img = img.convert('L')  # 转灰度
img = ImageOps.autocontrast(img)  # 自动对比度
img = img.filter(ImageFilter.SHARPEN)  # 锐化处理

2. 获取文字位置信息

需要知道每个字在图片中的位置？用image_to_data方法：

data = pytesseract.image_to_data(img, output_type=pytesseract.Output.DICT)
for i, text in enumerate(data['text']):
    if text.strip():
        print(f"文字：{text} 坐标：({data['left'][i]}, {data['top'][i]})")

3. 批量处理神器

用pathlib轻松处理文件夹内所有图片：

from pathlib import Path

for img_file in Path('doc_images').glob('*.png'):
    text = pytesseract.image_to_string(str(img_file))
    print(f"{img_file.name} 识别结果：\n{text}\n")

🤯 常见问题急救指南

❌ 报错：TesseractNotFoundError

（必看）这是90%新手会遇到的问题！解决方法：

检查Tesseract是否正确安装
手动指定引擎路径：

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

💔 识别率低怎么办？

试试这些优化组合拳：

调整图像DPI到300-400之间
添加白边增大文字间距
使用更精确的OCR引擎模式：

pytesseract.image_to_string(img, config='--oem 3 --psm 6')

🛠️ 实用场景大全

办公自动化
自动录入纸质表格数据，结合pandas直接生成Excel报表
证件信息提取
配合OpenCV定位身份证号码区域，自动识别保存
古籍数字化
批量处理扫描版古籍，生成可搜索的电子文档

（亲测有效）最近用PyTesseract做了一个发票识别系统，处理速度比人工录入快50倍！虽然初期调试花了些时间，但一旦跑通流程，效率提升简直爆炸💥

🎯 性能优化小贴士

多进程处理：对于大批量图片，用multiprocessing加速
缓存机制：对重复文件进行MD5校验跳过已处理内容
GPU加速：使用Tesseract 5.0+版本并编译时开启OpenCL支持

（避坑提醒）处理中文时务必下载对应的训练数据文件！下载地址在Tesseract官方文档，把.traineddata文件放到tessdata目录下即可~

🌈 终极玩法：结合深度学习

试试用OpenCV做文字区域检测，再用PyTesseract识别：

import cv2

# 使用EAST文本检测模型
net = cv2.dnn.readNet('frozen_east_text_detection.pb')
blob = cv2.dnn.blobFromImage(cv2.imread('menu.jpg'), 1.0, (320, 320))
net.setInput(blob)
scores, geometry = net.forward(['feature_fusion/Conv_7/Sigmoid', 'feature_fusion/concat_3'])

# 获取文本区域坐标后传给PyTesseract...