Python識別圖片中的文字

Python識別圖片中的文字

1、前言

不知道你們有沒有遇到過這樣的問題，就是在某個軟件或者某個網頁裏面有一篇文章，你很是喜歡，可是不能複製。或者像百度文檔同樣，只能複製一部分，這個時候咱們就會選擇截圖保存。可是當咱們想用到裏面的文字時，仍是要一個字一個字打出來。那麼咱們能不能直接識別圖片中的文字呢？答案是確定的。

2、Tesseract

文字識別是ORC的一部份內容，ORC的意思是光學字符識別，通俗講就是文字識別。Tesseract是一個用於文字識別的工具，咱們結合Python使用能夠很快的實現文字識別。可是在此以前咱們須要完成一個繁瑣的工做。

（1）Tesseract的安裝及配置

Tesseract的安裝咱們能夠移步到該網址 https://digi.bib.uni-mannheim.de/tesseract/，咱們能夠看到以下界面：

有不少版本供你們選擇，你們能夠根據本身的需求選擇。其中w32表示32位系統，w64表示64位系統，你們選擇合適的版本便可，可能下載速度比較慢，你們能夠選擇連接：pan.baidu.com/s/1jKZe_ACL… 提取碼：ayel下載。安裝時咱們須要知道咱們安裝的位置，將安裝目錄配置到系統path變量當中，咱們路徑是D:\CodeField\Tesseract-OCR。

咱們右擊個人電腦/此電腦->屬性->高級系統設置->環境變量->Path->編輯->新建而後將咱們的路徑複製進去便可。添加好系統變量後後咱們還須要依次點肯定，這樣纔算配置好了。

（2）下載語言包

Tesseract默認是不支持中文的，若是想要識別中文或者其它語言須要下載相應的語言包，下載地址以下： https://tesseract-ocr.github.io/tessdoc/Data-Files ，進入網站後咱們往下翻：

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，咱們選擇須要的下載便可。下載完成後咱們須要放到Tesseract的路徑下的tessdata目錄下，咱們路徑是D:\CodeField\Tesseract-OCR\tessdata。

（3）其它模塊下載

除了上面的步驟，咱們還須要下載兩個模塊：

pip install pytesseract
pip install pillow
複製代碼

第一個是用於文字識別的，第二個是用於圖片讀取的。接下來咱們就能夠進行文字識別了。

3、文字識別

（1）單張圖片識別

接下來的操做就要簡單的多，下面是咱們要識別的圖片：

接下來就是咱們文字識別的代碼：

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)
複製代碼

識別結果以下：

Do not go gentle into that good night!
複製代碼

由於默認是支持英文的，因此咱們能夠直接識別，可是當咱們要識別中文或其它語言時就須要作些修改：

import pytesseract
from PIL import Image
# 讀取圖片
im = Image.open('sentence.png')
# 識別文字，並指定語言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)
複製代碼

在識別時，咱們設置lang='chi_sim'，也就是把語言設置爲簡體中文，只有當你的tessdata目錄下有簡體中文包該設置纔會生效。下面是咱們用來識別的圖片：

識別結果以下：

不 要 溫 順 的 走 進 那 個 良 夜
複製代碼

圖片內容被準確識別出來了。有一點咱們須要知道，在咱們將語言設置爲簡體中文或其它語言後，Tesseract仍是能夠識別出英文字符。

（2）批量圖片識別

既然咱們把單張圖片識別列出來了，就確定還有批量圖片識別這個功能，這就須要咱們準備一個txt文件了，好比我有text.txt文件，內容以下：

sentence1.jpg
sentence2.jpg
複製代碼

咱們將代碼修改成以下：

import pytesseract
# 識別文字
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)
複製代碼

可是這樣本身寫一個txt文件不免有些麻煩，所以咱們又能夠進行以下修改：

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文件當中
for img in imgs:
    f.write(img + '\n')
# 關閉文件
f.close()
# 文字識別
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)
複製代碼

這樣咱們只須要傳入一個文字圖片的根目錄就能夠批量進行識別了。在測試過程當中發現，Tesseract對手寫體、行楷等飄逸的字體識別不許確，對一些複雜的字識別也有待提高。可是宋體、印刷體等筆畫嚴謹的字體識別準確率很高。另外若是圖片的傾斜大於必定的角度，識別結果也會有很大差異。

更多內容能夠關注公衆號：新建文件夾X。