使用Python中的pytesseract模塊實現(xiàn)抓取圖片中文字

更新時間：2022年11月10日 09:15:35 作者：業(yè)里村牛歡喜

最近同事用網(wǎng)上提供掃描軟件進行掃描識別文字，每天上線只能夠做兩次掃描，請求我研發(fā)一個小工具幫助解決識別圖片的中文字，最終我選擇使用pytesseract模塊可以解決這個需求問題，本文給大家分享實現(xiàn)代碼操作感興趣的朋友跟隨小編一起看看吧

一、需求分析

最近同事用網(wǎng)上提供掃描軟件進行掃描識別文字，每天上線只能夠做兩次掃描，請求我研發(fā)一個小工具幫助解決識別圖片的中文字。

二、方案選擇

使用pytesseract模塊可以解決這個需求問題，pytesseract是光識別圖片的模塊。需要安裝第三方資源庫進行搜索。

三、實驗實操

3.1、配置環(huán)境

Anaconda3.0，pycharm2022版，python3.7.0，win10

3.2、 Anaconda配置

先配置Anaconda3的環(huán)境，找到默認安裝路徑C:\Users\Administrator\.condarc(看自己環(huán)境安裝哪里)

將.condarc文件備份一個，然后加載源的配置項拷貝進去，重啟Anaconda3程序，生效配置項。

加載源：

channels:
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
show_channel_urls: true
ssl_verify: true

3.3、安裝tesseract程序

下載tesseract的exe安裝文件，安裝包地址：https://github.com/UB-Mannheim/tesseract/wiki

我下的是 tesseract-ocr-w64-setup-v5.0.1.20220118.exe版本。（本機是64位操作系統(tǒng)）

選配項中記得選擇中文的語言，后期識別中文字體做準備。

配置tesseract系統(tǒng)環(huán)境變量，將 tesseract-ocr的絕對路徑配置在系統(tǒng)變量中。

【從C:\Program Files\Tesseract-OCR安裝目錄下，直接把tessdata 文件夾里的內(nèi)容都復制到C:\Users\Administrator\Anaconda3，另外tessdata 文件夾里chi_sim.traineddata，eng.traineddata文件需要復制到C:\ProgramData\Anaconda3下，不然后面運行程序會提示找不到文件，配置好環(huán)境變量也不行！】（據(jù)說是霸王條款）

重啟系統(tǒng)讓變量生效。

3.4、安裝pytesseract模塊

運行Anaconda 終端命令，執(zhí)行conda install tesserocr pillow

系統(tǒng)已經(jīng)顯示我已經(jīng)安裝。（安裝的時間有一些長，需要耐性等待。）

執(zhí)行另外一個指令conda install pytesseract (安裝pytesseract,這個安裝需要一點時間等待了）

使用python語句進行驗證。

3.5、見證奇跡的環(huán)節(jié)

測試1：

在pycharm編譯器中執(zhí)行語句操作：

from PIL import Image
import pytesseract
 
image = Image.open("粉絲.jpg") #打開圖片
#print(image.size) #測試圖片像素尺寸
text = pytesseract.image_to_string(image, lang='chi_sim') #圖片轉(zhuǎn)字符串
text = text.replace("“ ","").replace("。","") #去掉雜質(zhì)，提純
print(text) #測試結(jié)果

原圖片粉絲.jpg：