Python实现图片文字识别：Tesseract安装、配置与批量处理指南

Python实现图片文字识别：Tesseract安装、配置与批量处理指南

一、前言

在软件使用或网页浏览过程中，常遇到无法直接复制文本的情况，例如部分文档仅允许复制片段。面对此类限制，用户通常采取截图保存的方式，但后续提取文字时需手动逐字输入，效率低下。通过技术手段直接识别图片中的文字内容，可以有效解决这一痛点。

二、Tesseract

Tesseract引擎安装与环境配置

光学字符识别（OCR）技术旨在将图像中的文字转换为可编辑的文本数据。Tesseract是一款开源的OCR引擎，结合Python语言能够高效实现文字识别功能。在开始编码前，需完成必要的软件安装与环境配置工作。

（1）Tesseract的安装及配置

访问Tesseract官方下载页面 https://digi.bib.uni-mannheim.de/tesseract/，界面显示多个可用版本。

用户可根据操作系统架构选择对应版本，其中“w32”代表32位系统，“w64”代表64位系统。若下载速度缓慢，可使用备用链接 https://pan.baidu.com/s/1YQCMnx-wCeNrJEE3wcEnQA （提取码：rbc6）进行下载。安装过程中需记录安装路径，例如本例中的“D:\CodeField\Tesseract-OCR”，并将其添加到系统环境变量Path中。

配置方法为：右键点击“我的电脑”或“此电脑”，选择“属性”，进入“高级系统设置”，点击“环境变量”，在“Path”变量中编辑并新建条目，粘贴Tesseract的安装路径，最后依次点击确定保存配置。

（2）下载语言包

Tesseract默认仅支持英文，识别中文或其他语言需额外下载对应语言包。官方数据文件下载地址为：https://tesseract-ocr.github.io/tessdoc/Data-Files 。

页面下方提供“Chinese-Simplified”（简体中文）和“Chinese-Traditional”（繁体中文）两个语言包，用户可根据需求下载。下载完成后，将语言包文件放置于Tesseract安装目录下的“tessdata”文件夹中，例如“D:\CodeField\Tesseract-OCR\tessdata”。

（3）其它模块下载

除Tesseract主程序外，还需安装两个Python模块以支持识别流程。

pip install pytesseract
pip install pillow

第一个模块用于调用Tesseract进行文字识别，第二个模块用于处理图片读取。完成上述步骤后，即可开始文字识别操作。

Python代码实现图片文字识别

三、文字识别

（1）单张图片识别

接下来的操作相对简单，待识别的图片示例如下：

对应的Python识别代码如下：

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('sentence.jpg')
# 识别文字
string = pytesseract.image_to_string(im)
print(string)

识别结果如下：

Do not go gentle into that good night!

由于Tesseract默认支持英文识别，因此可直接处理英文图片。若需识别中文或其他语言，则需进行相应配置修改。

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('sentence.png')
# 识别文字，并指定语言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

在识别代码中设置参数“lang='chi_sim'”以指定简体中文语言。注意，只有当“tessdata”目录下存在简体中文语言包时，该设置才生效。待识别的图片示例如下：

识别结果如下：

不 要 温 顺 的 走 进 那 个 良 夜

图片内容已被准确识别。值得注意的是，即使将语言设置为简体中文或其他非英文语言，Tesseract仍具备识别英文字符的能力。

批量图片识别与准确率分析

（2）批量图片识别

在实现单张图片识别的基础上，可进一步实现批量图片识别功能，这需要准备一个包含图片路径的txt文件。例如，创建“text.txt”文件，内容如下：

sentence1.jpg
sentence2.jpg

将代码修改为如下形式以读取txt文件：

import pytesseract
# 识别文字
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)

手动编写txt文件较为繁琐，可通过以下代码自动获取图片路径并生成txt文件：

import os
import pytesseract
# 文字图片的路径
path = 'text_img/'
# 获取图片路径列表
imgs = [path + i for i in os.listdir(path)]
# 打开文件
f = open('text.txt', 'w+', encoding='utf-8')
# 将各个图片的路径写入text.txt文件当中
for img in imgs:
  f.write(img + '\n')
# 关闭文件
f.close()
# 文字识别
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)

修改后，只需传入包含文字图片的根目录，即可实现批量识别。测试表明，Tesseract对宋体、印刷体等笔画严谨的字体识别准确率较高；但对于手写体、行楷等飘逸字体，识别效果不佳，复杂字体的识别率也有待提升。此外，若图片倾斜角度超过一定阈值，识别结果将出现显著偏差。

总结

本文介绍了利用Python进行图片文字识别的完整流程，包括环境配置、单张及批量识别的实现。更多关于Python识别图片文字的内容，可参考本站相关文章或继续浏览后续内容，感谢支持。