python用tesseract-ocr做图像识别

#作者微信：2501902696
from PIL import Image
import pytesseract
#上面都是导包，只需要下面这一行就能实现图片文字识别
text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim')
print(text)

• 1
• 2
• 3
• 4
• 5
• 6

我们以识别诗词为例 
下面是我们要识别的图片

先看下效果图

 

我们运行代码后识别的结果,有几个字没有正确识别，但是大多数字都能识别出来。

风急天高猿啸哀 渚芸胄芳少白鸟飞凤
无边落木萧萧下, 不尽长量工盲衮宕衮来
万里悲秋常1乍窨, 百年多病独登氤
艰难苦恨擎霜量 漂倒新停澍酉帆

• 1
• 2
• 3
• 4

一行代码就能识别图片，我们背后要做些准备工作的

• 这里我们需要用到两个库：pytesseract和PIL
• 同时我们还需要安装识别引擎tesseract-ocr

下面就来讲讲这几个库的安装，因为只有这几个库安装好以后Python才能实现一行代码实现图片文字识别

一，pytesseract和PIL的安装

安装这两个包可以借助pip 
- 1，命令行安装 
pip install PIL 
pip install pytesseract 
- 2，如果你用的pycharm编辑器，就可以直接借助pycharm实现快速安装。 
在pycharm的Settings设置页按照下面步骤操作 

这样就能成功安装pytesseract，安装PIL只需要在上面第三步里搜索PIL并点击安装即可 

这时我们安转好了库，运行下面代码

from PIL import Image
import pytesseract
text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim')
print(text)

• 1
• 2
• 3
• 4

会报下面错误，错误原因是：没有安装识别引擎tesseract-ocr

二，安装识别引擎tesseract-ocr

Windows环境安装tesseract-ocr 4.00并配置环境变量

最近要做文字识别，不让直接用别人的接口，所以只能尝试去用开源的类库。tesseract-ocr是惠普公司开源的一个文字识别项目，通过它可以快速搭建图文识别系统，帮助我们开发出能识别图片的ocr系统。因为Windows环境开发，我也就必须在windows环境安装系统。

第一步：下载安装包

根据https://github.com/tesseract-ocr/tesseract/wiki，我找到非官方的安装包，好像我只看到64位的安装包http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下载后直接安装即可，但是要记得你的安装目录，我们等会配置环境变量要用。

如果不是做英文的图文识别，还需要下载其他语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

简体字识别包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁体字识别包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

 

第二步：安装

直接执行下载好的tesseract-ocr-setup-4.00.00dev.exe，下一步、下一步安装。

第三步：配置环境变量

注意：我的系统是win7，其他系统应该差不多，跟配置java变量一样

复制你的安装地址，我的是安装在C:\Program Files (x86)\Tesseract-OCR，界面如下：

复制安装路径“C:\Program Files (x86)\Tesseract-OCR”，进入“控制面板\系统和安全\系统”，点击

“系统保护”

进入到以下界面：

点击环境变量，进入配置以下界面：

把刚才的安装路径“C:\Program Files (x86)\Tesseract-OCR”添加到红线划的PATH和Path，注意，添加时候开头用“;”跟之前的变量隔开，结尾以“;”结尾。下面是我的配置信息样本：

C:\Users\Administrator\AppData\Roaming\Composer\vendor\bin;C:\Users\Administrator\AppData\Roaming\npm;C:\Program Files (x86)\Tesseract-OCR;

配置好了点击保存。

 

打开命令终端，输入：tesseract -v，可以看到版本信息

如果出现报错，估计是环境变量没配置好。

到这里，我们就算安装完成了，但是，我们的系统还是无法识别中文的，我们要去下载简体汉字、繁体汉字语言包（上文给了地址了），下载好之后放到安装目录的tessconfigs目录下即可。

补充：因为没有配置全局变量，无法跨盘执行数据转换，这里我们在环境变量那增加一个配置信息

系统变量—->新建：

增加一个TESSDATA_PREFIX变量名，变量值还是我的安装路径C:\Program Files (x86)\Tesseract-OCR;

本人博客：Windows环境安装tesseract-ocr 4.00并配置环境变量