前言

本文詳細介紹了如何用Python的pytesseract庫開發(fā)簡易OCR識別工具，適用于提取圖片文字。首先明確核心技術(shù)棧，包括依賴底層的Tesseract OCR引擎，以及pytesseract、OpenCV-Python、Pillow、argparse等庫及其作用。接著分步驟指導(dǎo)環(huán)境搭建，重點說明不同系統(tǒng)下Tesseract OCR引擎的安裝與配置，以及Python依賴庫的安裝。還解釋了圖片預(yù)處理的必要性及具體步驟，以提升識別準(zhǔn)確率。隨后提供完整代碼，按圖片預(yù)處理、OCR識別、結(jié)果保存、命令行交互模塊逐段詳解，并給出多場景使用教程。同時，針對常見報錯（如找不到圖片、Tesseract路徑問題、中文語言包缺失）提供了具體排查和解決方法，幫助用戶順利實現(xiàn)中英文圖片的文字識別與結(jié)果保存。

在日常工作和學(xué)習(xí)中，我們經(jīng)常會遇到需要將圖片中的文字提取出來的場景（如掃描件、截圖文字提取），手動輸入不僅效率低還容易出錯。OCR（Optical Character Recognition，光學(xué)字符識別）技術(shù)可以幫我們快速解決這個問題。本文將帶大家從零開始，使用 Python 的 pytesseract 庫開發(fā)一個簡易但實用的 OCR 識別工具，支持圖片文字提取、多語言識別（中英文），并提供基礎(chǔ)的圖片預(yù)處理功能以提升識別準(zhǔn)確率。

一、工具核心技術(shù)棧

在開始前，我們先明確實現(xiàn)這個 OCR 工具需要用到的技術(shù)和庫，確保大家理解每個組件的作用：

二、環(huán)境搭建（關(guān)鍵步驟）

pytesseract 不是純 Python 庫，它需要依賴底層的 Tesseract OCR 引擎，因此環(huán)境搭建分為 “引擎安裝” 和 “Python 庫安裝” 兩步，缺一不可。

2.1 安裝 Tesseract OCR 引擎

根據(jù)你的操作系統(tǒng)選擇對應(yīng)的安裝方式，務(wù)必記住安裝路徑（后續(xù)配置需要用到）：

（1）Windows 系統(tǒng)

下載安裝包：訪問 Tesseract 官方 GitHub Releases，下載最新的 Windows 安裝包（如 tesseract-ocr-w64-setup-v5.3.3.20231005.exe）。

運行安裝：

• 點擊“Next”直到“Choose Components”頁面，勾選“Additional language data (download)”（默認只安裝英文，勾選后會下載中文等其他語言包）。
• 記住安裝路徑（如 C:\Program Files\Tesseract-OCR），后續(xù)需要配置環(huán)境變量或在代碼中指定路徑。

配置環(huán)境變量（可選但推薦）：

• 右鍵“此電腦”→“屬性”→“高級系統(tǒng)設(shè)置”→“環(huán)境變量”。
• 在“系統(tǒng)變量”的“Path”中添加 Tesseract 安裝路徑（如 C:\Program Files\Tesseract-OCR）。

驗證：打開 cmd，輸入 tesseract --version，若顯示版本信息則安裝成功。

（2）macOS 系統(tǒng)

通過 Homebrew 安裝（需先安裝 Homebrew）：

# 安裝 Tesseract 引擎（默認包含英文）
brew install tesseract
# 安裝中文語言包（如需識別中文）
brew install tesseract-lang

（3）Linux 系統(tǒng)（以 Ubuntu 為例）

# 安裝 Tesseract 引擎
sudo apt-get install tesseract-ocr
# 安裝中文語言包
sudo apt-get install tesseract-ocr-chi-sim  # 簡體中文
sudo apt-get install tesseract-ocr-chi-tra  # 繁體中文

2.2 安裝 Python 依賴庫

打開終端/命令行，執(zhí)行以下命令安裝所需的 Python 庫：

pip install pytesseract opencv-python pillow argparse

• pytesseract：Python 操作 Tesseract 引擎的接口。
• opencv-python：圖片預(yù)處理核心庫。
• pillow：輔助讀取和處理圖片。
• argparse：解析命令行參數(shù)（內(nèi)置庫，安裝其他庫時會自動兼容）。

三、核心原理：為什么需要圖片預(yù)處理？

Tesseract OCR 引擎對 清晰、無噪音、高對比度 的圖片識別準(zhǔn)確率最高。如果直接識別帶有背景噪音、傾斜或彩色的圖片，很容易出現(xiàn)識別錯誤。因此，我們需要在識別前對圖片進行預(yù)處理，常見步驟包括：

1. 灰度化：將彩色 圖片轉(zhuǎn)為黑白灰度圖，減少顏色通道干擾（OCR 對灰度圖更敏感）。
2. 二值化：將灰度圖轉(zhuǎn)為純黑白圖（只有 0 和 255 兩個像素值），進一步提升文字與背景的對比度。
3. 降噪：去除圖片中的斑點、雜色等噪音（如掃描件的黑點、截圖的陰影）。
4. 傾斜矯正：若圖片傾斜（如拍攝的文檔），通過旋轉(zhuǎn)矯正為水平方向（本文簡化版暫不實現(xiàn)，后續(xù)可擴展）。

通過預(yù)處理，能顯著提升 OCR 識別的準(zhǔn)確率，這是從“能用”到“好用”的關(guān)鍵步驟。

四、完整代碼實現(xiàn)與詳細解釋

我們將工具分為 3 個核心模塊：圖片預(yù)處理模塊、OCR 識別模塊、命令行交互模塊，代碼結(jié)構(gòu)清晰，便于后續(xù)擴展。

4.1 完整代碼

創(chuàng)建一個名為 simple_ocr_tool.py 的文件，復(fù)制以下代碼：

# 導(dǎo)入所需庫
import pytesseract
import cv2
from PIL import Image
import argparse
import os

def image_preprocessing(image_path):
    """
    圖片預(yù)處理函數(shù)：灰度化 → 二值化 → 降噪
    :param image_path: 輸入圖片路徑（相對/絕對路徑）
    :return: 預(yù)處理后的圖片對象（OpenCV 格式，便于后續(xù)識別）
    """
    # 1. 讀取圖片（使用 OpenCV，默認讀取為 BGR 格式）
    img = cv2.imread(image_path)
    if img is None:
        raise FileNotFoundError(f"錯誤：未找到圖片文件 {image_path}，請檢查路徑是否正確。")
    
    # 2. 灰度化：將 BGR 格式轉(zhuǎn)為灰度圖（單通道）
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    print("? 圖片灰度化完成")
    
    # 3. 二值化：使用 Otsu 閾值法（自動計算最佳閾值，適合對比度明顯的圖片）
    # cv2.THRESH_BINARY_INV：黑白反轉(zhuǎn)（文字為白，背景為黑，提升識別率）
    # cv2.THRESH_OTSU：自動閾值，無需手動調(diào)整
    _, binary_img = cv2.threshold(
        gray_img, 
        0, 
        255, 
        cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
    )
    print("? 圖片二值化完成")
    
    # 4. 降噪：使用高斯模糊去除小噪音（核大小 (3,3) 為經(jīng)驗值，可根據(jù)圖片調(diào)整）
    denoised_img = cv2.GaussianBlur(binary_img, (3, 3), 0)
    print("? 圖片降噪完成")
    
    return denoised_img

def ocr_recognize(preprocessed_img, lang='eng', tesseract_cmd=None):
    """
    OCR 識別函數(shù)：將預(yù)處理后的圖片轉(zhuǎn)為文字
    :param preprocessed_img: 預(yù)處理后的圖片（OpenCV 格式）
    :param lang: 識別語言（默認 'eng' 英文，中文用 'chi_sim'，中英文混合用 'chi_sim+eng'）
    :param tesseract_cmd: Tesseract 引擎路徑（Windows 若未配置環(huán)境變量需指定）
    :return: 識別出的文字字符串
    """
    # 1. 配置 Tesseract 引擎路徑（僅 Windows 非環(huán)境變量配置時需要）
    if tesseract_cmd:
        pytesseract.pytesseract.tesseract_cmd = tesseract_cmd
    
    # 2. 將 OpenCV 格式圖片（numpy array）轉(zhuǎn)為 PIL 格式（pytesseract 更兼容）
    pil_img = Image.fromarray(preprocessed_img)
    
    # 3. 調(diào)用 Tesseract 進行識別
    # config 參數(shù)：--psm 6 表示將圖片視為單一文本塊（適合大部分場景）
    custom_config = r'--oem 3 --psm 6'  # oem 3 表示使用默認 OCR 引擎
    text = pytesseract.image_to_string(pil_img, lang=lang, config=custom_config)
    
    # 4. 清理識別結(jié)果（去除空行、多余空格）
    cleaned_text = '\n'.join([line.strip() for line in text.split('\n') if line.strip()])
    
    print(f"? OCR 識別完成（語言：{lang}）")
    return cleaned_text

def save_result(text, output_path='ocr_result.txt'):
    """
    結(jié)果保存函數(shù)：將識別出的文字保存到本地文件
    :param text: 識別出的文字
    :param output_path: 輸出文件路徑（默認當(dāng)前目錄 ocr_result.txt）
    """
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(text)
    print(f"? 識別結(jié)果已保存到：{os.path.abspath(output_path)}")

def main():
    """
    主函數(shù)：解析命令行參數(shù) → 調(diào)用預(yù)處理 → 調(diào)用 OCR 識別 → 保存結(jié)果
    """
    # 1. 解析命令行參數(shù)（讓用戶通過命令行傳入?yún)?shù)，更靈活）
    parser = argparse.ArgumentParser(description="Python 簡易 OCR 識別工具（基于 pytesseract）")
    
    # 必選參數(shù)：圖片路徑
    parser.add_argument(
        '--image', '-i', 
        required=True, 
        help='輸入圖片路徑（如：./test.png 或 C:\\images\\doc.jpg）'
    )
    
    # 可選參數(shù)：識別語言（默認英文，中文用 chi_sim，中英文混合用 chi_sim+eng）
    parser.add_argument(
        '--lang', '-l', 
        default='eng', 
        help='識別語言（默認 eng 英文，中文 chi_sim，中英文混合 chi_sim+eng）'
    )
    
    # 可選參數(shù)：Tesseract 引擎路徑（Windows 未配置環(huán)境變量時需指定）
    parser.add_argument(
        '--tesseract-cmd', '-t', 
        default=None, 
        help='Tesseract 引擎路徑（如 Windows：C:\\Program Files\\Tesseract-OCR\\tesseract.exe）'
    )
    
    # 可選參數(shù)：輸出文件路徑（默認當(dāng)前目錄 ocr_result.txt）
    parser.add_argument(
        '--output', '-o', 
        default='ocr_result.txt', 
        help='識別結(jié)果輸出文件路徑（默認 ocr_result.txt）'
    )
    
    # 解析參數(shù)
    args = parser.parse_args()
    
    try:
        # 2. 圖片預(yù)處理
        print(f"?? 正在讀取圖片：{args.image}")
        preprocessed_img = image_preprocessing(args.image)
        
        # 3. OCR 識別
        print("?? 正在進行 OCR 識別...")
        recognized_text = ocr_recognize(
            preprocessed_img=preprocessed_img,
            lang=args.lang,
            tesseract_cmd=args.tesseract_cmd
        )
        
        # 4. 打印識別結(jié)果
        print("\n" + "="*50)
        print("?? OCR 識別結(jié)果：")
        print("="*50)
        print(recognized_text)
        print("="*50 + "\n")
        
        # 5. 保存結(jié)果
        save_result(recognized_text, args.output)
        
    except Exception as e:
        # 異常處理（如文件不存在、語言包缺失等）
        print(f"? 程序運行出錯：{str(e)}")

# 程序入口（只有直接運行腳本時才執(zhí)行 main 函數(shù)）
if __name__ == "__main__":
    main()

4.2 運行效果

原圖：

解析后：

4.3 代碼逐模塊詳解

（1）圖片預(yù)處理模塊 image_preprocessing

該函數(shù)是提升識別準(zhǔn)確率的核心，步驟拆解：

1. 讀取圖片：用 cv2.imread() 讀取圖片，返回 OpenCV 格式（numpy 數(shù)組，BGR 顏色通道）；若圖片路徑錯誤，拋出 FileNotFoundError 并提示用戶。
2. 灰度化：用 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 將彩色 圖轉(zhuǎn)為灰度圖（單通道），減少顏色干擾。
3. 二值化：用 cv2.threshold() 實現(xiàn)自動閾值二值化：
   • THRESH_BINARY_INV：黑白反轉(zhuǎn)（文字變白、背景變黑），因為 Tesseract 對白色文字更敏感。
   • THRESH_OTSU：自動計算最佳閾值（無需手動調(diào)整，適合不同亮度的圖片）。
4. 降噪：用 cv2.GaussianBlur() 進行高斯模糊，核大小 (3,3) 是經(jīng)驗值（可根據(jù)圖片噪音程度調(diào)整為 (5,5)）。

（2）OCR 識別模塊 ocr_recognize

該函數(shù)負責(zé)調(diào)用 Tesseract 引擎提取文字：

1. 配置引擎路徑：Windows 若未配置環(huán)境變量，需通過 tesseract_cmd 參數(shù)指定 Tesseract 可執(zhí)行文件路徑（如 C:\Program Files\Tesseract-OCR\tesseract.exe）。
2. 格式轉(zhuǎn)換：pytesseract 對 PIL 格式圖片兼容性更好，因此用 Image.fromarray() 將 OpenCV 格式（numpy 數(shù)組）轉(zhuǎn)為 PIL 格式。
3. 核心識別：pytesseract.image_to_string() 是核心接口，參數(shù)說明：
   • lang：識別語言（eng 英文、chi_sim 簡體中文、chi_sim+eng 中英文混合）。
   • config：額外配置，--psm 6 表示將圖片視為“單一文本塊”（適合大部分場景，如截圖、文檔掃描件）；--oem 3 表示使用默認 OCR 引擎。
4. 結(jié)果清理：用列表推導(dǎo)式去除識別結(jié)果中的空行和多余空格，讓輸出更整潔。

（3）結(jié)果保存模塊 save_result

用 open() 函數(shù)以 UTF-8 編碼（避免中文亂碼）將識別結(jié)果寫入文件，并用 os.path.abspath() 輸出文件絕對路徑，方便用戶查找。

（4）主函數(shù) main 與命令行參數(shù)

• 參數(shù)解析：用 argparse 定義 4 個參數(shù)（圖片路徑、語言、引擎路徑、輸出路徑），其中 --image 是必選參數(shù)，其他為可選參數(shù)，降低用戶使用門檻。
• 流程控制：按“讀取圖片 → 預(yù)處理 → 識別 → 打印結(jié)果 → 保存結(jié)果”的流程執(zhí)行，并通過 try-except 捕獲異常（如文件不存在、語言包缺失），提升程序穩(wěn)定性。

五、工具使用教程（實戰(zhàn)演示）

我們以 Windows 系統(tǒng)為例，通過 3 個場景演示工具的使用（其他系統(tǒng)操作類似，僅路徑格式不同）。

5.1 準(zhǔn)備測試圖片

首先準(zhǔn)備 2 張測試圖片（建議放在與 simple_ocr_tool.py 同一目錄下）：

1. english_test.png：英文截圖（如一段英文文檔）。
2. chinese_test.png：中文截圖（如一段中文新聞）。

5.2 場景 1：識別英文圖片

打開終端/命令行，切換到腳本所在目錄，執(zhí)行以下命令：

# 識別英文圖片，默認輸出到 ocr_result.txt
python simple_ocr_tool.py -i english_test.png -l eng

執(zhí)行流程與輸出：

1. 程序會依次打印“灰度化 → 二值化 → 降噪”完成提示。
2. 輸出識別結(jié)果（在終端顯示）。
3. 保存結(jié)果到當(dāng)前目錄的 ocr_result.txt，并顯示文件絕對路徑。

5.3 場景 2：識別中文圖片

若需識別中文，需確保已安裝中文語言包（安裝 Tesseract 時勾選了語言包），執(zhí)行命令：

# 識別中文圖片，輸出到 chinese_result.txt
python simple_ocr_tool.py -i chinese_test.png -l chi_sim -o chinese_result.txt

注意：

• 語言參數(shù) lang 必須為 chi_sim（簡體中文）或 chi_tra（繁體中文），不可寫錯。
• 若提示“語言包缺失”，需重新安裝 Tesseract 并勾選中文語言包（Windows）或執(zhí)行 brew install tesseract-lang（macOS）。

5.4 場景 3：Windows 未配置環(huán)境變量時使用（補充完整）

若未配置 Tesseract 環(huán)境變量，程序無法自動找到引擎路徑，需通過 --tesseract-cmd（或簡寫 -t）參數(shù)手動指定 Tesseract 可執(zhí)行文件的完整路徑，避免出現(xiàn)“tesseract is not installed or it’s not in your PATH”錯誤。

以識別中英文混合圖片 mix_test.png 為例，完整命令如下（需替換為你的實際安裝路徑）：

# Windows 系統(tǒng)命令（路徑含空格需用英文引號包裹）
python simple_ocr_tool.py -i mix_test.png -l chi_sim+eng -t "C:\Program Files\Tesseract-OCR\tesseract.exe" -o mix_result.txt

• 參數(shù)說明：
  • -t "C:\Program Files\Tesseract-OCR\tesseract.exe"：明確指定 Tesseract 引擎的 tesseract.exe 文件路徑，路徑中的英文引號用于處理“Program Files”中的空格（若路徑無空格可省略引號，如 D:\Tesseract-OCR\tesseract.exe）。
  • -l chi_sim+eng：語言參數(shù)設(shè)為“簡體中文+英文”，支持同時識別圖片中的中英文內(nèi)容（語言包需同時安裝 chi_sim.traineddata 和 eng.traineddata）。
  • -o mix_result.txt：將識別結(jié)果保存到 mix_result.txt，避免覆蓋默認的 ocr_result.txt。

執(zhí)行命令后，程序會按“圖片讀取→預(yù)處理→OCR識別→結(jié)果保存”流程運行，終端會打印各步驟進度（如“? 圖片降噪完成”“? OCR 識別完成（語言：chi_sim+eng）”），最終在指定路徑生成結(jié)果文件。

六、常見問題與優(yōu)化方向

6.1 識別準(zhǔn)確率低？試試這些優(yōu)化

若識別結(jié)果存在較多錯字、漏字，可從以下角度優(yōu)化：

1. 增強圖片預(yù)處理：
   • 若圖片傾斜，添加“傾斜矯正”步驟（使用 cv2.minAreaRect() 計算傾斜角度，cv2.warpAffine() 實現(xiàn)旋轉(zhuǎn)）。
   • 若文字較細或有斷裂，使用“形態(tài)學(xué)膨脹”（cv2.dilate()）增強文字輪廓。
2. 調(diào)整 Tesseract 配置參數(shù)：
   • 修改 custom_config 中的 --psm 參數(shù)（頁面分割模式），例如：
     • --psm 11：適合文字分布不規(guī)則的圖片（如截圖中的散字）。
     • --psm 3：默認模式，適合多列文本的文檔（如PDF掃描件）。
   • 添加降噪?yún)?shù)：--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ中文，限定識別字符范圍（減少無關(guān)字符干擾）。
3. 提升圖片質(zhì)量：
   • 確保圖片分辨率不低于 300 DPI（掃描件優(yōu)先選擇“高清模式”）。
   • 避免圖片有模糊、陰影或反光（拍攝時盡量平整、光線均勻）。

6.2 擴展功能：支持批量識別圖片

若需要批量處理多個圖片，可在代碼中添加“遍歷文件夾”功能，修改 main 函數(shù)中的圖片讀取邏輯：

# 批量識別指定文件夾下的所有圖片（示例：支持 png/jpg/jpeg 格式）
def batch_ocr(folder_path, lang='chi_sim', output_dir='ocr_batch_results'):
    # 創(chuàng)建輸出文件夾
    os.makedirs(output_dir, exist_ok=True)
    # 遍歷文件夾中的圖片
    for filename in os.listdir(folder_path):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            image_path = os.path.join(folder_path, filename)
            print(f"\n?? 正在處理圖片：{filename}")
            try:
                # 預(yù)處理 + 識別
                preprocessed_img = image_preprocessing(image_path)
                recognized_text = ocr_recognize(preprocessed_img, lang=lang)
                # 保存結(jié)果（以圖片名命名結(jié)果文件）
                output_path = os.path.join(output_dir, f"{os.path.splitext(filename)[0]}.txt")
                save_result(recognized_text, output_path)
            except Exception as e:
                print(f"? 處理 {filename} 失?。簕str(e)}")

使用時只需在 main 函數(shù)中調(diào)用 batch_ocr(r'C:\your_image_folder')，即可批量處理文件夾下所有圖片并生成對應(yīng)結(jié)果文件。

6.3 打包為可執(zhí)行文件（方便非編程用戶使用）

若需將工具分享給不懂Python的用戶，可使用 pyinstaller 打包為 .exe 文件（Windows）：

1. 安裝打包工具：pip install pyinstaller。
2. 執(zhí)行打包命令（在腳本所在目錄）：

pyinstaller -F -i ocr_icon.ico simple_ocr_tool.py

• -F：打包為單個可執(zhí)行文件（方便攜帶）。
• -i ocr_icon.ico：可選參數(shù)，為.exe文件添加圖標(biāo)（需提前準(zhǔn)備.ico格式圖標(biāo)文件）。

1. 打包完成后，可執(zhí)行文件會生成在 dist 文件夾中，用戶雙擊運行后，通過命令行參數(shù)即可使用（操作同之前的命令）。

七、總結(jié)

本文從零開始構(gòu)建了一個基于 pytesseract 的簡易 OCR 工具，核心亮點包括：

1. 實用性：支持中英文識別、結(jié)果保存，解決日常圖片文字提取需求。
2. 可擴展性：代碼模塊化設(shè)計，可輕松添加批量識別、傾斜矯正、GUI界面（如用 tkinter 或 PyQt）等功能。
3. 問題導(dǎo)向：針對環(huán)境配置、路徑錯誤、語言包缺失等常見問題提供了詳細解決方案，降低使用門檻。

通過本實戰(zhàn)，不僅能掌握 OCR 工具的開發(fā)流程，還能理解圖片預(yù)處理對識別準(zhǔn)確率的影響，為后續(xù)更復(fù)雜的計算機視覺任務(wù)（如表格識別、驗證碼識別）打下基礎(chǔ)。

以上就是使用Python的pytesseract庫開發(fā)簡易OCR圖片文字識別工具的詳細內(nèi)容，更多關(guān)于Python OCR圖片文字識別的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論