100天精通Python（进阶篇）——第44天：基于Tesseract-OCR实现OCR图片文字识别实战

引言

在当今数字化时代，信息以图像形式广泛存在，从扫描文档到社交媒体图片，如何高效、准确地提取图像中的文字信息成为了一项重要技能。OCR（Optical Character Recognition，光学字符识别）技术正是解决这一问题的关键。作为Python进阶学习的一部分，第44天我们将聚焦于使用Tesseract-OCR这一开源工具，实现图片文字识别的实战操作。Tesseract-OCR由Google维护，支持多种语言，且可通过Python轻松集成，是开发者进行OCR开发的理想选择。

Tesseract-OCR简介

技术背景

Tesseract-OCR最初由HP实验室开发，后转为开源项目，并被Google接管继续发展。它采用先进的图像处理和模式识别算法，能够识别多种字体和语言，包括中文、英文等。Tesseract-OCR的核心优势在于其高度的可定制性和扩展性，支持通过训练模型来提高特定场景下的识别准确率。

安装与配置

在开始实战之前，首先需要安装Tesseract-OCR及其Python封装库pytesseract。以Ubuntu系统为例，安装步骤如下：

1. 安装Tesseract-OCR：

   sudo apt update
   sudo apt install tesseract-ocr
   # 如需支持中文，还需安装中文语言包
   sudo apt install tesseract-ocr-chi-sim

2. 安装Python封装库：

   pip install pytesseract

   同时，确保Python环境中已安装Pillow库用于图像处理：

   pip install Pillow

基础识别实战

简单图片识别

首先，我们从一个简单的英文图片识别开始。假设我们有一张包含英文文本的图片example.png，使用pytesseract进行识别的代码如下：

from PIL import Image
import pytesseract
# 指定Tesseract-OCR的安装路径（如果不在系统PATH中）
# pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'
# 打开图片文件
image = Image.open('example.png')
# 使用Tesseract进行OCR识别
text = pytesseract.image_to_string(image)
print(text)

运行上述代码后，控制台将输出图片中的英文文本。

中文图片识别

对于中文图片，只需在image_to_string方法中指定语言参数为'chi_sim'（简体中文）或'chi_tra'（繁体中文）：

text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)

高级识别技巧

图像预处理

为了提高识别准确率，通常需要对图像进行预处理，包括二值化、去噪、旋转校正等。以下是一个简单的图像预处理示例：

from PIL import Image, ImageEnhance, ImageFilter
def preprocess_image(image_path):
    # 打开图片
    image = Image.open(image_path)
    # 转换为灰度图
    image = image.convert('L')
    # 二值化处理
    threshold = 150
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    image = image.point(table, '1')
    # 去噪（可选）
    image = image.filter(ImageFilter.MedianFilter())
    # 增强对比度（可选）
    enhancer = ImageEnhance.Contrast(image)
    image = enhancer.enhance(2)
    return image
# 预处理图片
processed_image = preprocess_image('example_chinese.png')
# 识别处理后的图片
text = pytesseract.image_to_string(processed_image, lang='chi_sim')
print(text)

批量识别与结果保存

在实际应用中，往往需要处理多张图片。以下是一个批量识别图片并保存结果的示例：

import os
def batch_ocr(image_folder, output_file, lang='eng'):
    with open(output_file, 'w', encoding='utf-8') as f:
        for filename in os.listdir(image_folder):
            if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
                image_path = os.path.join(image_folder, filename)
                try:
                    image = Image.open(image_path)
                    text = pytesseract.image_to_string(image, lang=lang)
                    f.write(f"Image: {filename}\n")
                    f.write(text)
                    f.write("\n" + "-"*50 + "\n")
                except Exception as e:
                    print(f"Error processing {filename}: {e}")
# 批量识别图片文件夹中的图片，结果保存到txt文件
batch_ocr('images', 'ocr_results.txt', lang='chi_sim')

实战案例：发票信息提取

假设我们需要从一张发票图片中提取关键信息，如发票号码、日期、金额等。这通常需要结合OCR识别和后续的自然语言处理或规则匹配。以下是一个简化的发票信息提取示例：

import re
def extract_invoice_info(text):
    # 假设发票号码格式为：发票号码：XXXXXX
    invoice_no_match = re.search(r'发票号码[:：]\s*(\d+)', text)
    invoice_no = invoice_no_match.group(1) if invoice_no_match else '未找到'
    # 假设日期格式为：日期：YYYY-MM-DD
    date_match = re.search(r'日期[:：]\s*(\d{4}-\d{2}-\d{2})', text)
    date = date_match.group(1) if date_match else '未找到'
    # 假设金额格式为：金额：XXXX.XX元
    amount_match = re.search(r'金额[:：]\s*(\d+\.\d{2})元', text)
    amount = amount_match.group(1) if amount_match else '未找到'
    return {
        '发票号码': invoice_no,
        '日期': date,
        '金额': amount
    }
# 假设我们已经通过OCR得到了发票文本
invoice_text = """
发票号码：123456
日期：2023-05-20
金额：1000.00元
...其他信息...
"""
info = extract_invoice_info(invoice_text)
print(info)

总结与展望

通过第44天的学习，我们掌握了基于Tesseract-OCR实现图片文字识别的基本方法和高级技巧。从简单的英文识别到复杂的中文识别，再到图像预处理和批量识别，我们逐步深入了解了OCR技术的实际应用。未来，随着深度学习技术的发展，OCR的准确率和效率将进一步提升，为更多场景下的文字识别提供有力支持。作为Python开发者，掌握OCR技术将极大地拓宽我们的应用领域，从文档数字化到智能客服，无处不在的文字识别需求正等待着我们去探索和实现。