Python pytesseract【OCR引擎库】 简介

想全面了解DeepSeek的看过来 【包邮】DeepSeek全攻略 人人需要的AI通识课 零基础掌握DeepSeek的实用操作手册指南【限量作者亲笔签名版售完即止】

玩转DeepSeek这本就够了 【自营包邮】DeepSeek实战指南 deepseek从入门到精通实用操作指南现代科技科普读物AI普及知识读物人工智能使用教程中小学读物京东超级618

Python初学者的入门教程 动手学深度学习 PyTorch版 李沐和阿斯顿·张等强强联合之作！机器学习、深度学习、AI领域重磅教程！ deepseek机器学习（异步图书出品）

程序员要最先成为AI的主人 AI高手速成 DeepSeek让你工作变轻松 deepseek从入门到精通实战指南人工智能 异步图书出品

pytesseract 是一个 Python 封装库，用于调用 Google 的 Tesseract-OCR 引擎，实现光学字符识别（OCR）功能。它允许开发者直接从 Python 中提取图像中的文字内容，支持多种语言（包括中文）。

核心特点

1. 跨平台支持
   Windows/macOS/Linux 均可使用。
2. 多语言识别
   支持 100+ 种语言（需安装对应语言包）。
3. 简单易用
   只需几行代码即可完成 OCR 识别。
4. 与 PIL/Pillow/OpenCV 兼容
   可直接处理常见的图像对象。

安装步骤

1. 安装 Tesseract OCR 引擎

• Windows：
  下载安装程序：UB-Mannheim/tesseract
• macOS：

  brew install tesseract
  

• Linux (Debian/Ubuntu)：

  sudo apt install tesseract-ocr
  

2. 安装语言包（以中文为例）

# Linux
sudo apt install tesseract-ocr-chi-sim  # 简体中文
sudo apt install tesseract-ocr-chi-tra  # 繁体中文

# macOS/Windows 需在安装时勾选或手动下载语言包

3. 安装 Python 库

pip install pytesseract pillow

基础用法示例

示例 1：识别图像中的文字

from PIL import Image
import pytesseract

# 设置 Tesseract 路径（Windows 可能需要）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 打开图像并识别
image = Image.open("text_image.png")
text = pytesseract.image_to_string(image, lang='chi_sim')  # 使用简体中文

print("识别结果：")
print(text)

示例 2：识别 OpenCV 处理的图像

import cv2
import pytesseract

# 读取图像 + 灰度化
img = cv2.imread("text_image.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# OCR 识别
text = pytesseract.image_to_string(gray, lang='eng+chi_sim')  # 中英文混合
print(text)

高级功能

1. 获取文字位置与置信度

from PIL import Image
import pytesseract

image = Image.open("text_image.png")
data = pytesseract.image_to_data(image, lang='eng', output_type=pytesseract.Output.DICT)

# 打印每个检测到的单词信息
for i in range(len(data['text'])):
    if data['text'][i].strip():
        print(f"文本: {data['text'][i]}")
        print(f"位置: (x={data['left'][i]}, y={data['top'][i]})")
        print(f"置信度: {data['conf'][i]}\n")

2. 识别多语言混合文本

text = pytesseract.image_to_string(image, lang='eng+chi_sim+jpn')  # 中英日混合

3. 调整 OCR 参数

# 配置参数示例
config = r'--oem 3 --psm 6 -c preserve_interword_spaces=1'
text = pytesseract.image_to_string(image, config=config)

• oem: OCR 引擎模式（0~3，推荐 3）
• psm: 页面分割模式（常用值）：
  • 3 = 自动分页（默认）
  • 6 = 假设为统一文本块
  • 7 = 单行文本

图像预处理技巧

提高识别准确率的常用预处理方法：

import cv2

img = cv2.imread("text_image.png")

# 1. 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 二值化
_, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 3. 降噪
denoised = cv2.fastNlMeansDenoising(thresh, h=10)

# 4. 识别处理后的图像
text = pytesseract.image_to_string(denoised, lang='chi_sim')

常见问题解决

1. 路径错误（Windows）：
   取消注释并设置 tesseract_cmd 路径：

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

2. 语言包缺失：
   下载语言包（.traineddata 文件）放入 tessdata 目录（通常在 Tesseract 安装路径下）。

3. 识别率低：

   • 对图像进行预处理（灰度化/二值化/降噪）
   • 调整 psm 和 oem 参数
   • 使用更高分辨率的清晰图像

应用场景

• 文档扫描件文字提取
• 验证码识别（简单类型）
• 车牌识别
• 图像中的多语言翻译
• 自动化数据录入

通过结合 OpenCV 进行图像预处理，pytesseract 能显著提升复杂场景下的 OCR 准确率。