一、前言
不知道大家有没有遇到过这样的问题,就是在某个软件或者某个网页里面有一篇文章,你非常喜欢,但是不能复制。或者像百度文档一样,只能复制一部分,这个时候我们就会选择截图保存。但是当我们想用到里面的文字时,还是要一个字一个字打出来。那么我们能不能直接识别图片中的文字呢?答案是肯定的。
二、Tesseract
文字识别是ORC的一部分内容,ORC的意思是光学字符识别,通俗讲就是文字识别。Tesseract是一个用于文字识别的工具,我们结合Python使用可以很快的实现文字识别。但是在此之前我们需要完成一个繁琐的工作。
(1)Tesseract的安装及配置
Tesseract的安装我们可以移步到该网址 https://digi.bib.uni-mannheim.de/tesseract/,我们可以看到如下界面:
有很多版本供大家选择,大家可以根据自己的需求选择。其中w32表示32位系统,w64表示64位系统,大家选择合适的版本即可,可能下载速度比较慢,大家可以选择链接:/s/1jKZe_ACLQCVXiCmvHj9adw 提取码:ayel下载。安装时我们需要知道我们安装的位置,将安装目录配置到系统path变量当中,我们路径是D:\CodeField\Tesseract-OCR
。
我们右击我的电脑/此电脑->属性->高级系统设置->环境变量->Path->编辑->新建
然后将我们的路径复制进去即可。添加好系统变量后后我们还需要依次点确定,这样才算配置好了。
(2)下载语言包
Tesseract默认是不支持中文的,如果想要识别中文或者其它语言需要下载相应的语言包,下载地址如下:https://tesseract-ocr.github.io/tessdoc/Data-Files ,进入网站后我们往下翻:
其中有两个中文语言包,一个Chinese-Simplified和Chinese-Traditional,它们分别是简体中文和繁体中文,我们选择需要的下载即可。下载完成后我们需要放到Tesseract的路径下的tessdata目录下,我们路径是D:\CodeField\Tesseract-OCR\tessdata
。
(3)其它模块下载
除了上面的步骤,我们还需要下载两个模块:
pipinstallpillowpipinstallpytesseract
第一个是用于文字识别的,第二个是用于图片读取的。接下来我们就可以进行文字识别了。
三、文字识别
(1)单张图片识别
接下来的操作就要简单的多,下面是我们要识别的图片:
接下来就是我们文字识别的代码:
fromPILimportImage #读取图片 im=Image.open('sentence.jpg') #识别文字 string=pytesseract.image_to_string(im) print(string)importpytesseract
识别结果如下:
Donotgogentleintothatgoodnight!
因为默认是支持英文的,所以我们可以直接识别,但是当我们要识别中文或其它语言时就需要做些修改:
fromPILimportImage #读取图片 im=Image.open('sentence.png') #识别文字,并指定语言 string=pytesseract.image_to_string(im,lang='chi_sim') print(string)importpytesseract
在识别时,我们设置lang='chi_sim'
,也就是把语言设置为简体中文,只有当你的tessdata目录下有简体中文包该设置才会生效。下面是我们用来识别的图片:
识别结果如下:
不要温顺的走进那个良夜
图片内容被准确识别出来了。有一点我们需要知道,在我们将语言设置为简体中文或其它语言后,Tesseract还是可以识别出英文字符。
(2)批量图片识别
既然我们把单张图片识别列出来了,就肯定还有批量图片识别这个功能,这就需要我们准备一个txt
文件了,比如我有text.txt
文件,内容如下:
sentence2.jpgsentence1.jpg
我们将代码修改为如下:
#识别文字 string=pytesseract.image_to_string('text.txt',lang='chi_sim') print(string)importpytesseract
但是这样自己写一个txt文件难免有些麻烦,因此我们又可以进行如下修改:
importpytesseract #文字图片的路径 path='text_img/' #获取图片路径列表 imgs=[path+iforiinos.listdir(path)] #打开文件 f=open('text.txt','w+',encoding='utf-8') #将各个图片的路径写入text.txt文件当中 forimginimgs: f.write(img+'\n') #关闭文件 f.close() #文字识别 string=pytesseract.image_to_string('text.txt',lang='chi_sim') print(string)importos
这样我们只需要传入一个文字图片的根目录就可以批量进行识别了。在测试过程中发现,Tesseract对手写体、行楷等飘逸的字体识别不准确,对一些复杂的字识别也有待提升。但是宋体、印刷体等笔画严谨的字体识别准确率很高。另外如果图片的倾斜大于一定的角度,识别结果也会有很大差别。