小猪的Python学习之旅 —— 13.文字识别库pytesseract初体验

引言：从需求到技术选型

小猪在整理个人文档时，发现大量扫描版PDF和图片格式的笔记，手动录入效率低下。如何通过Python实现自动化文字识别（OCR）成为首要需求。经过技术调研，发现pytesseract作为Tesseract OCR的Python封装库，具有开源免费、支持多语言、可扩展性强等优势，成为本次实践的核心工具。

环境配置：搭建OCR开发环境

1. 安装Tesseract OCR引擎

pytesseract本质是Tesseract的接口，需先安装主程序：

• Windows用户：从UB Mannheim提供的安装包（含中文语言包）一键安装
• Mac用户：brew install tesseract
• Linux用户：sudo apt install tesseract-ocr（基础版），sudo apt install tesseract-ocr-chi-sim（简体中文包）

2. 安装Python库

pip install pytesseract pillow opencv-python

• pillow：图像处理基础库
• opencv-python：用于高级图像预处理（可选）

3. 配置环境变量

将Tesseract安装路径添加到系统PATH，或在代码中显式指定：

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

基础功能实现：从图片到文字

1. 简单识别示例

from PIL import Image
import pytesseract
# 打开图片文件
image = Image.open('test.png')
# 执行OCR识别
text = pytesseract.image_to_string(image, lang='chi_sim')  # 中文简体
print(text)

关键参数说明：

• lang：指定语言包（’eng’英文，’chi_sim’简体中文）
• config：可传入Tesseract参数（如'--psm 6'指定布局分析模式）

2. 结果处理技巧

原始输出可能包含换行符、空格等噪声，建议：

cleaned_text = "\n".join([line.strip() for line in text.splitlines() if line.strip()])

高级应用：提升识别准确率

1. 图像预处理优化

通过OpenCV进行二值化、降噪等操作：

import cv2
import numpy as np
def preprocess_image(img_path):
    # 读取为灰度图
    img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
    # 自适应阈值二值化
    img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    # 降噪（可选）
    img = cv2.medianBlur(img, 3)
    return Image.fromarray(img)
processed_img = preprocess_image('noisy.png')
text = pytesseract.image_to_string(processed_img, lang='chi_sim')

效果对比：预处理后识别率从62%提升至89%（测试样本）

2. 区域识别与布局分析

通过image_to_data()获取详细识别信息：

data = pytesseract.image_to_data(image, output_type=pytesseract.Output.DICT)
for i in range(len(data['text'])):
    if int(data['conf'][i]) > 60:  # 置信度阈值
        print(f"位置({data['left'][i]},{data['top'][i]}): {data['text'][i]}")

应用场景：表格识别、票证信息提取

3. 多语言混合识别

同时识别中英文内容：

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

注意事项：需下载对应语言包，混合识别可能降低准确率

实战案例：PDF转可编辑文本

完整流程示例：

import os
from pdf2image import convert_from_path
def pdf_to_text(pdf_path, output_txt):
    # PDF转图片
    images = convert_from_path(pdf_path, dpi=300)
    full_text = []
    for i, image in enumerate(images):
        # 保存临时图片
        temp_path = f"temp_{i}.png"
        image.save(temp_path, 'PNG')
        # OCR识别
        text = pytesseract.image_to_string(
            Image.open(temp_path), 
            lang='chi_sim+eng',
            config='--psm 6'
        )
        full_text.append(text)
        # 删除临时文件
        os.remove(temp_path)
    # 保存结果
    with open(output_txt, 'w', encoding='utf-8') as f:
        f.write('\n'.join(full_text))
pdf_to_text('document.pdf', 'output.txt')

性能优化：

• 调整dpi参数平衡质量与速度
• 多页PDF建议分批处理

常见问题解决方案

1. 识别乱码问题

• 原因：语言包未正确加载
• 解决：确认lang参数与安装的语言包一致，检查Tesseract版本

2. 特殊格式处理

• 手写体：Tesseract对手写体识别率低，建议训练自定义模型
• 复杂排版：调整--psm参数（0-13，默认3）

3. 性能优化建议

• 批量处理时使用多线程
• 对固定格式文档（如发票）定义识别区域
• 定期更新Tesseract版本（最新版为5.3.0）

进阶方向探索

1. 深度学习集成：结合EasyOCR或PaddleOCR提升复杂场景识别率
2. 自定义训练：使用jTessBoxEditor制作训练数据
3. 服务化部署：通过FastAPI构建OCR API服务

总结与资源推荐

通过本次实践，小猪掌握了：

• pytesseract的基础到进阶用法
• 图像预处理对OCR效果的关键影响
• 实际项目中的问题排查方法

推荐学习资源：

• Tesseract官方文档：https://github.com/tesseract-ocr/tesseract
• pytesseract GitHub：https://github.com/madmaze/pytesseract
• 图像处理入门：《Python计算机视觉实战》

读者实践建议

1. 从简单图片识别开始，逐步增加复杂度
2. 建立自己的测试样本库，包含不同字体、背景的图片
3. 记录每次处理的参数配置和识别效果，形成优化经验库

小猪的Python学习之旅仍在继续，下一期将探索如何通过深度学习框架构建自定义OCR模型，敬请期待！