Python实现OCR：pytesseract和pyddleocr（附代码）

引言

OCR（Optical Character Recognition，光学字符识别）技术能够将图片中的文字转换为可编辑的文本格式，广泛应用于文档数字化、自动化办公、车牌识别等领域。在Python生态中，pytesseract和pyddleocr是两个常用的OCR库，前者基于Tesseract引擎，后者是百度开源的深度学习OCR工具。本文将详细介绍两者的安装、配置及使用方法，并通过代码示例展示其实际应用。

一、pytesseract：基于Tesseract的OCR工具

1.1 pytesseract简介

pytesseract是Tesseract OCR引擎的Python封装，Tesseract由Google维护，支持超过100种语言的识别，包括中文、英文等。其核心优势在于开源免费、跨平台（Windows/Linux/macOS）且支持命令行调用。

1.2 安装与配置

安装步骤

1. 安装Tesseract引擎：

   • Windows：下载Tesseract安装包，安装时勾选中文语言包（chi_sim.traineddata）。
   • Linux（Ubuntu）：sudo apt install tesseract-ocr tesseract-ocr-chi-sim
   • macOS：brew install tesseract

2. 安装pytesseract库：

   pip install pytesseract

配置环境变量

• Windows需将Tesseract的安装路径（如C:\Program Files\Tesseract-OCR）添加到系统PATH。
• 在代码中指定Tesseract路径（可选）：

  import pytesseract
  pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

1.3 基本使用

示例代码

from PIL import Image
import pytesseract
# 读取图片
image = Image.open("example.png")
# 识别图片中的文字（默认英文）
text = pytesseract.image_to_string(image)
print("英文识别结果：\n", text)
# 指定中文识别
text_chinese = pytesseract.image_to_string(image, lang="chi_sim")
print("中文识别结果：\n", text_chinese)

参数详解

• lang：指定语言包（如chi_sim为简体中文，eng为英文）。
• config：调整识别参数，例如：

  # 启用PSM（页面分割模式）6，假设图片为统一文本块
  custom_config = r'--oem 3 --psm 6'
  text = pytesseract.image_to_string(image, config=custom_config)

1.4 优缺点分析

• 优点：开源免费、支持多语言、适合简单场景。
• 缺点：对复杂背景、倾斜文字的识别率较低，需手动预处理图像（如二值化、去噪）。

二、pyddleocr：基于深度学习的OCR工具

2.1 pyddleocr简介

pyddleocr是百度开源的PaddleOCR框架的Python封装，基于深度学习模型（CRNN+CTC），支持中英文、多语言、表格识别等功能。其核心优势在于高精度、支持复杂场景（如手写体、倾斜文字）。

2.2 安装与配置

安装步骤

1. 安装PaddlePaddle：

   pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

   （根据官方文档选择GPU/CPU版本）

2. 安装pyddleocr：

   pip install paddleocr

2.3 基本使用

示例代码

from paddleocr import PaddleOCR
# 初始化OCR（支持中英文）
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # use_angle_cls启用角度分类
# 识别图片
result = ocr.ocr("example.png", cls=True)
# 输出结果
for line in result:
    print(line[0][0], line[1][0])  # 坐标和文字

参数详解

• lang：指定语言（ch为中文，en为英文，fr为法语等）。
• use_angle_cls：是否检测文字方向（适用于倾斜图片）。
• det_model_dir/rec_model_dir：自定义检测/识别模型路径。

2.4 高级功能

表格识别

ocr = PaddleOCR(use_angle_cls=True, lang="ch", table_lang="ch")
result = ocr.ocr("table.png", cls=True, table=True)

批量处理

import os
from paddleocr import PaddleOCR
ocr = PaddleOCR()
image_dir = "images/"
for img_name in os.listdir(image_dir):
    img_path = os.path.join(image_dir, img_name)
    result = ocr.ocr(img_path)
    print(f"图片 {img_name} 的识别结果：\n", result)

2.5 优缺点分析

• 优点：高精度、支持复杂场景、内置预处理（如角度矫正）。
• 缺点：依赖深度学习框架，首次运行需下载模型（约200MB），对硬件要求较高。

三、pytesseract与pyddleocr对比

维度	pytesseract	pyddleocr
技术原理	传统图像处理+规则匹配	深度学习（CRNN+CTC）
语言支持	100+种（需下载语言包）	中英文为主，支持多语言
识别准确率	简单场景高，复杂场景低	复杂场景高（如手写体）
运行速度	快（无模型加载）	慢（首次加载模型）
适用场景	文档扫描、简单图片	复杂背景、倾斜文字、表格识别

四、实际应用建议

1. 简单场景：优先选择pytesseract，例如识别清晰的扫描件。
2. 复杂场景：使用pyddleocr，例如识别手机拍摄的倾斜发票、手写笔记。
3. 性能优化：
   • 对pytesseract，预处理图像（灰度化、二值化）可提升准确率。
   • 对pyddleocr，使用GPU加速（安装GPU版PaddlePaddle）。

五、完整代码示例

pytesseract示例

from PIL import Image, ImageFilter
import pytesseract
def preprocess_image(image_path):
    image = Image.open(image_path)
    # 灰度化
    image = image.convert("L")
    # 二值化
    image = image.point(lambda x: 0 if x < 140 else 255)
    return image
image = preprocess_image("complex.png")
text = pytesseract.image_to_string(image, lang="chi_sim", config="--psm 6")
print("预处理后识别结果：\n", text)

pyddleocr示例

from paddleocr import PaddleOCR
# 初始化（使用GPU）
ocr = PaddleOCR(use_angle_cls=True, lang="ch", use_gpu=True)
# 识别并保存结果到JSON
result = ocr.ocr("handwritten.jpg", cls=True, rec_batch_num=6)
with open("result.json", "w", encoding="utf-8") as f:
    import json
    json.dump(result, f, ensure_ascii=False, indent=4)

结论

pytesseract适合轻量级、多语言支持的场景，而pyddleocr在复杂场景下表现更优。开发者可根据项目需求选择合适的工具，或结合两者优势（例如用pytesseract快速处理简单图片，用pyddleocr处理疑难图片）。未来，随着深度学习模型的优化，OCR技术的准确率和效率将进一步提升。