利用Python与Tesseract实现图片文字识别（OCR）

环境配置与依赖安装

要实现基于Python的图片文字识别，首先需要部署底层的OCR引擎Tesseract。Tesseract（Text Recognition Engine）是一款开源的光学字符识别（OCR）工具，支持多种操作系统。安装过程分为引擎安装与Python依赖库配置两个阶段。

1. 部署Tesseract引擎

访问Tesseract官方发布页面，根据操作系统架构下载对应的安装包。若系统为32位，请选择带有“w32”标识的版本；若为64位系统，则选择“w64”版本。安装完成后，必须将Tesseract的安装目录添加至系统的环境变量Path中，以便命令行工具能够被全局调用。例如，若将Tesseract安装在 D:\CodeField\Tesseract-OCR 路径下，需确保该路径已正确配置。

2. 配置中文语言包

Tesseract默认仅支持英文识别。若需识别中文或其他语言，必须下载并配置相应的语言数据文件（Language Data）。访问Tesseract的GitHub仓库下载页面，获取所需的语言包。针对中文环境，通常需下载 Chinese-Simplified（简体中文）或 Chinese-Traditional（繁体中文）包。下载完成后，将语言包文件放置于Tesseract安装目录下的 tessdata 文件夹内（例如 D:\CodeField\Tesseract-OCR\tessdata）。

3. 安装Python依赖库

在Python环境中，需安装两个核心模块：用于调用Tesseract引擎的 pytesseract 以及用于处理图像文件的 Pillow（即PIL）。可通过以下命令进行安装：

pip install pytesseract
pip install pillow

图片文字识别实现

完成环境配置后，即可通过Python代码调用OCR功能。识别过程主要依赖 pytesseract.image_to_string() 方法，该方法接收图像对象或文件路径，并返回识别出的文本字符串。

英文识别

若图片仅包含英文字符，无需额外配置语言参数，直接识别即可。以下代码演示了如何读取图片并输出识别结果：

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)

中文识别配置

当图片包含中文时，必须在调用 image_to_string() 时显式指定语言参数 lang='chi_sim'（代表简体中文）。需要注意的是，该参数生效的前提是前文所述的 tessdata 目录中已存在对应的语言包文件。配置语言后，引擎同样可以识别图片中的英文字符。

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)

批量图片识别处理

对于大量图片的识别需求，手动逐个处理效率较低。可通过编写脚本批量获取图片路径，生成包含路径列表的文本文件，再交由Tesseract进行批量处理。

1. 生成路径列表文件

首先，遍历指定目录下的所有图片文件，将它们的完整路径写入一个 .txt 文件中。每行记录一个图片路径：

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()

2. 执行批量识别

生成路径文件（如 text.txt）后，直接将该文件路径传入 image_to_string() 方法，并指定语言参数。Tesseract会自动读取文件中的每一行路径进行识别：

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

识别效果与局限性分析

虽然Tesseract在标准印刷体识别上表现优异，但其识别准确率受多种因素影响：

• 字体类型：宋体、黑体等笔画严谨的印刷体识别准确率最高；而手写体、行楷或风格飘逸的艺术字体，由于笔画连贯且结构多变，识别准确率会显著下降。
• 复杂字符：包含生僻字或结构复杂的汉字，识别效果仍有提升空间。
• 图像质量：图片的倾斜角度过大、分辨率过低或背景复杂，均会导致识别结果出现较大偏差。