python3安裝OCR識別庫tesserocr過程圖解

更新時間：2020年04月02日 09:20:49 作者：廣州螢火蟲

這篇文章主要介紹了python3安裝OCR識別庫tesserocr過程圖解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

OCR簡介

OCR，即Optical Character Recognition，光學字符識別，是指通過掃描字符，然后通過其形狀將其翻譯成電子文本的過程，對應圖形驗證碼來說，它們都是一些不規(guī)則的字符，這些字符是由字符稍加扭曲變換得到的內容，我們可以使用OCR技術來講其轉化為電子文本，然后將結果提取交給服務器，便可以達到自動識別驗證碼的過程。

window環(huán)境

環(huán)境材料準備

Window10
Python-3.7.3.tgz
tesserocr安裝包

安裝tesserocr

1、打開鏈接，https://digi.bib.uni-mannheim.de/tesseract/，見下圖。

下載最新版的tesseract-ocr-w64-setup-v5.0.0.20190623.exe，然后安裝，本人直接安裝在C盤目錄下。安裝完畢后，如下圖。

配置環(huán)境變量，有兩個步驟。

在系統(tǒng)變量里，修改path，如下圖。

在系統(tǒng)變量里，創(chuàng)建一個新的變量名為:TESSDATA_PREFIX，值為:C:\Program Files\Tesseract-OCR\tessdata(根據自己安裝的tesserocr安裝路徑為準)，如下圖。

檢查Tesseract-OCR是否安裝完成，如下圖。

Python3.7加載tesserocr

1、安裝Python的OCR識別庫

pip install Pillow
pip install pytesseract

2、python加載Window的tesserocr應用，要修改pytesseract三方庫的pytesseract.py腳本。

打開pytesseract.py，將Window的tesserocr應用的tesserocr.exe綁定好。

3、到這里Python的綁定window的tesserocr應用已經完成。

讀取驗證碼圖片

from PIL import Image
import pytesseract


def read_text(text_path):
  """
  傳入文本(jpg、png)的絕對路徑,讀取文本
  :param text_path:
  :return: 文本內容
  """
  # 驗證碼圖片轉字符串
  im = Image.open(text_path)
  # 轉化為8bit的黑白圖片
  imgry = im.convert('L')
  # 二值化，采用閾值分割算法，threshold為分割點
  threshold = 140
  table = []
  for j in range(256):
    if j < threshold:
      table.append(0)
    else:
      table.append(1)
  out = imgry.point(table, '1')
  # 識別文本
  text = pytesseract.image_to_string(out, lang="eng", config='--psm 6')
  return text


if __name__ == '__main__':
  print(read_text("d://v3.png"))

輸出：

讀取中文文本圖片

1、因為OCR讀取不同語言需要加載語言包，因此需要下載簡體中文語言包。
從這個鏈接下載:https://github.com/tesseract-ocr/tessdata,下載紅圈的簡體中文包。然后將此文件放置window的安裝目錄下。如下兩個圖。

現在，我們來讀取如下圖片的中文文本內容。

代碼如下:

from PIL import Image
import pytesseract


def read_text(text_path):
  """
  傳入文本(jpg、png)的絕對路徑,讀取文本
  :param text_path:
  :return: 文本內容
  """
  # 驗證碼圖片轉字符串
  im = Image.open(text_path)
  # 轉化為8bit的黑白圖片
  imgry = im.convert('L')
  # 二值化，采用閾值分割算法，threshold為分割點
  threshold = 140
  table = []
  for j in range(256):
    if j < threshold:
      table.append(0)
    else:
      table.append(1)
  out = imgry.point(table, '1')
  # 識別文本，lang參數改為chi_sim，其他代碼與上面的讀取驗證碼代碼一致。
  text = pytesseract.image_to_string(out, lang="chi_sim", config='--psm 6')
  return text
if __name__ == '__main__':
  print(read_text("d://v7.png"))