20行代码教你如何批量提取图片中文字

引言：OCR技术的现实需求

在数字化办公场景中，纸质文档扫描件、截图、证件照片等非结构化数据中的文字提取需求日益迫切。传统手动录入方式效率低下且易出错，而批量OCR（光学字符识别）技术可通过自动化处理显著提升效率。本文将以Python为工具，通过20行核心代码实现多图片文字的批量提取，覆盖从环境搭建到结果输出的全流程。

技术选型与工具链

核心库解析

1. Pillow（PIL）：图像处理基础库，支持格式转换、尺寸调整、二值化等预处理操作。
2. pytesseract：Tesseract OCR的Python封装，提供多语言识别能力，支持中文需额外下载训练数据。
3. os模块：系统文件操作，用于遍历目录、批量读取图片文件。

环境配置指南

# 安装依赖库
pip install pillow pytesseract
# 安装Tesseract OCR引擎（Windows需下载安装包，Linux可通过包管理器）
# 下载中文训练数据（chi_sim.traineddata）并放入Tesseract的tessdata目录

20行核心代码实现

代码结构分解

import os
from PIL import Image
import pytesseract
def batch_ocr(image_dir, output_file, lang='chi_sim'):
    """批量OCR处理函数
    Args:
        image_dir: 图片目录路径
        output_file: 结果输出文件路径
        lang: 识别语言（默认简体中文）
    """
    with open(output_file, 'w', encoding='utf-8') as f:
        for filename in os.listdir(image_dir):
            if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
                img_path = os.path.join(image_dir, filename)
                try:
                    text = pytesseract.image_to_string(Image.open(img_path), lang=lang)
                    f.write(f"=== {filename} ===\n{text}\n\n")
                except Exception as e:
                    f.write(f"Error processing {filename}: {str(e)}\n\n")
# 使用示例
batch_ocr('input_images', 'output.txt')

代码逐行解析

1. 导入模块：os处理文件系统，PIL.Image加载图片，pytesseract执行OCR。
2. 函数定义：batch_ocr接收图片目录、输出文件路径和语言参数。
3. 文件遍历：os.listdir获取目录下所有文件，通过后缀名过滤图片。
4. OCR处理：Image.open加载图片后，pytesseract.image_to_string执行识别。
5. 结果写入：按”文件名===识别内容”格式写入文本文件，异常情况记录错误信息。

完整实现方案

扩展功能代码（总行数约40行）

import os
from PIL import Image, ImageOps
import pytesseract
def preprocess_image(img_path):
    """图像预处理：灰度化+二值化"""
    img = Image.open(img_path).convert('L')  # 转为灰度图
    threshold = 140
    img = img.point(lambda x: 0 if x < threshold else 255)  # 二值化
    return img
def batch_ocr_advanced(image_dir, output_file, lang='chi_sim', preprocess=True):
    """增强版批量OCR（含预处理）"""
    results = []
    for filename in os.listdir(image_dir):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            img_path = os.path.join(image_dir, filename)
            try:
                img = Image.open(img_path)
                if preprocess:
                    img = preprocess_image(img_path)
                text = pytesseract.image_to_string(img, lang=lang)
                results.append((filename, text))
            except Exception as e:
                results.append((filename, f"Error: {str(e)}"))
    # 格式化输出
    with open(output_file, 'w', encoding='utf-8') as f:
        for filename, text in results:
            f.write(f"=== {filename} ===\n{text}\n\n")
# 使用示例
batch_ocr_advanced('input_images', 'output_advanced.txt', preprocess=True)

关键优化策略

1. 图像预处理技术

• 灰度化：将RGB图像转为单通道，减少计算量。
• 二值化：通过阈值分割突出文字区域（示例代码中阈值设为140，可根据实际调整）。
• 降噪：可使用ImageFilter.MedianFilter去除噪点（需从PIL导入）。

2. 识别参数调优

• 语言包选择：lang='chi_sim'指定简体中文，其他可选eng（英文）、jpn（日文）等。
• PSM模式：通过config='--psm 6'参数调整页面分割模式（6表示假设为统一文本块）。

3. 性能优化方案

• 多线程处理：使用concurrent.futures并行处理图片。
  ```python
  from concurrent.futures import ThreadPoolExecutor

def parallel_ocr(image_dir, output_file, max_workers=4):
with ThreadPoolExecutor(max_workers=max_workers) as executor:
futures = []
for filename in os.listdir(image_dir):
if filename.lower().endswith((‘.png’, ‘.jpg’, ‘.jpeg’)):
img_path = os.path.join(image_dir, filename)
futures.append(executor.submit(
lambda p: (p, pytesseract.image_to_string(Image.open(p))),
img_path
))
results = [f.result() for f in futures]

# 后续写入逻辑...

### 常见问题解决方案
#### 1. 识别准确率低
- **原因**：图片质量差、字体复杂、背景干扰。
- **对策**：
  - 调整二值化阈值（示例中为140，可尝试120-180范围）。
  - 使用`ImageOps.autocontrast`增强对比度。
  - 对倾斜图片使用`img.rotate`校正角度。
#### 2. 中文识别失败
- **原因**：未正确安装中文训练数据。
- **解决步骤**：
  1. 下载`chi_sim.traineddata`（可从GitHub获取）。
  2. 放入Tesseract安装目录的`tessdata`子目录。
  3. 代码中显式指定`lang='chi_sim'`。
#### 3. 大文件处理超时
- **优化方法**：
  - 限制单张图片处理时间：`pytesseract.image_to_string(..., timeout=30)`。
  - 分批次处理：按文件数量或总大小拆分任务。
### 实际应用场景扩展
#### 1. 发票文字提取
```python
# 提取发票关键信息（示例）
def extract_invoice_info(text):
    import re
    patterns = {
        '金额': r'金额[:：]?\s*(\d+\.?\d*)',
        '日期': r'日期[:：]?\s*(\d{4}-\d{2}-\d{2})'
    }
    return {k: re.search(v, text).group(1) for k, v in patterns.items() if re.search(v, text)}

2. 表格图片转Excel

• 结合camelot库提取表格结构：

  import camelot
  def image_table_to_excel(img_path, output_xlsx):
    tables = camelot.read_pdf('temp.pdf')  # 需先将图片转为PDF
    tables[0].to_excel(output_xlsx)

总结与建议

本文通过20行核心代码实现了图片文字的批量提取，扩展版本进一步整合了预处理、多线程等优化方案。实际应用中需注意：

1. 环境依赖：确保Tesseract安装正确且语言包配置无误。
2. 图片质量：优先处理300dpi以上的清晰图片。
3. 异常处理：记录失败案例以便后续人工复核。
4. 性能测试：建议先在小批量数据上验证效果。

对于企业级应用，可考虑将流程封装为API服务（使用FastAPI），或集成到RPA流程中实现全自动处理。后续可探索深度学习模型（如EasyOCR、PaddleOCR）以进一步提升复杂场景下的识别率。