Python OCR文字识别：pytesseract安装配置教程

pip install pytesseract import pytesseract print(pytesseract.image_to_string('test.jpg'))# TesseractNotFoundError: tesseract is not installed

pytesseract是Python的OCR（光学字符识别）库，可以从图片中提取文字。Windows上使用需要先安装Tesseract OCR引擎。

版本要求

pytesseract依赖Tesseract OCR引擎：

注意：pytesseract只是封装库，必须先安装Tesseract OCR引擎才能使用。

安装中可能遇到的问题

问题1：Tesseract引擎未安装

import pytesseract pytesseract.image_to_string('test.jpg')# TesseractNotFoundError: tesseract is not installed or it's not in your PATH

只装了pytesseract，没装Tesseract OCR引擎。

问题2：路径未配置

import pytesseract pytesseract.image_to_string('test.jpg')# pytesseract.pytesseract.TesseractNotFoundError

Tesseract安装了，但Python找不到，需要手动指定路径。

问题3：中文识别乱码

text = pytesseract.image_to_string('中文图片.jpg')print(text)# 输出：乱码或空白

没有安装中文语言包chi_sim.traineddata。

问题4：识别准确率低

识别结果错误很多，可能是图片质量差、没有预处理。

如果你想避免这些问题，可以用抠头助手自动安装Tesseract引擎和语言包。

方式一：一键安装

使用抠头助手自动安装pytesseract和Tesseract OCR引擎。

下载地址：https://www.codetou.com

1. 选择Python环境

打开软件，在左侧选择你的Python环境：

2. 找到PYTESSERACT

切换到「客户端」或「工具库」，找到或者搜索PYTESSERACT：

3. 确认配置并安装

软件会自动安装Tesseract OCR引擎和中文语言包：

4. 等待完成

自动完成pytesseract、Tesseract引擎、语言包的安装和配置：

方式二：手动安装

步骤1：安装Tesseract OCR引擎

下载地址：Tesseract OCR引擎下载地址

选择最新版本（如tesseract-ocr-w64-setup-5.3.3.20231005.exe）下载并安装。

安装时注意：

• 勾选"Additional language data" → 选择"Chinese - Simplified"（简体中文）
• 记住安装路径（默认：C:\Program Files\Tesseract-OCR）

步骤2：配置环境变量（可选）

将Tesseract添加到系统PATH：

1. 右键"此电脑" → 属性 → 高级系统设置 → 环境变量
2. 在"系统变量"中找到"Path"，点击编辑
3. 新建：C:\Program Files\Tesseract-OCR
4. 确定保存

步骤3：安装pytesseract

pip install pytesseract pillow 

步骤4：配置Tesseract路径

在Python代码中指定Tesseract路径：

import pytesseract # 指定Tesseract安装路径 pytesseract.pytesseract.tesseract_cmd =r'C:\Program Files\Tesseract-OCR\tesseract.exe'

步骤5：下载中文语言包（如未安装）

下载地址：语言包下载地址

下载chi_sim.traineddata（简体中文），放到：

C:\Program Files\Tesseract-OCR\tessdata\ 

验证安装

基础测试

import pytesseract from PIL import Image # 配置路径（如果没加环境变量） pytesseract.pytesseract.tesseract_cmd =r'C:\Program Files\Tesseract-OCR\tesseract.exe'# 测试英文识别 img = Image.open('test_eng.jpg') text = pytesseract.image_to_string(img)print(f"英文识别结果：\n{text}")# 测试中文识别 img_cn = Image.open('test_chn.jpg') text_cn = pytesseract.image_to_string(img_cn, lang='chi_sim')print(f"中文识别结果：\n{text_cn}")

检查支持的语言

import pytesseract # 查看已安装的语言包print(pytesseract.get_languages())# ['chi_sim', 'eng', ...]

实用案例

案例1：身份证识别

import pytesseract from PIL import Image import cv2 # 读取身份证图片 img = cv2.imread('身份证.jpg')# 图像预处理（提高识别率） gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 灰度化 blur = cv2.GaussianBlur(gray,(5,5),0)# 降噪 _, binary = cv2.threshold(blur,0,255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 二值化# OCR识别 text = pytesseract.image_to_string(binary, lang='chi_sim')print(f"身份证信息：\n{text}")# 提取特定字段（示例） lines = text.split('\n')for line in lines:if'姓名'in line:print(f"姓名: {line.split('姓名')[-1].strip()}")if'身份证号'in line:print(f"身份证号: {line.split('身份证号')[-1].strip()}")

案例2：截图文字提取

import pytesseract from PIL import ImageGrab # 截取屏幕 screenshot = ImageGrab.grab() screenshot.save('screenshot.png')# 识别文字 text = pytesseract.image_to_string(screenshot, lang='chi_sim+eng')print(f"截图文字：\n{text}")# 保存到文件withopen('extracted_text.txt','w', encoding='utf-8')as f: f.write(text)

案例3：验证码识别

import pytesseract from PIL import Image import cv2 import numpy as np # 读取验证码 img = cv2.imread('captcha.jpg')# 预处理（验证码识别关键） gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray,150,255, cv2.THRESH_BINARY)# 去噪 kernel = np.ones((2,2), np.uint8) opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)# 识别（只允许数字和字母） custom_config =r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz' text = pytesseract.image_to_string(opening, config=custom_config)print(f"验证码: {text.strip()}")

案例4：批量PDF转文字

import pytesseract from pdf2image import convert_from_path from PIL import Image defpdf_to_text(pdf_path, output_txt):# PDF转图片 images = convert_from_path(pdf_path, dpi=300) full_text =""for i, img inenumerate(images):print(f"处理第{i+1}页...") text = pytesseract.image_to_string(img, lang='chi_sim+eng') full_text +=f"\n========== 第{i+1}页 ==========\n" full_text += text # 保存结果withopen(output_txt,'w', encoding='utf-8')as f: f.write(full_text)print(f"完成！文本已保存到 {output_txt}")# 使用 pdf_to_text('扫描文档.pdf','提取文本.txt')

提高识别准确率

1. 图像预处理

import cv2 # 读取图片 img = cv2.imread('test.jpg')# 灰度化 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化 _, binary = cv2.threshold(gray,127,255, cv2.THRESH_BINARY)# 去噪 denoised = cv2.fastNlMeansDenoising(gray,None,10,7,21)# 调整大小（放大可能提高识别率） resized = cv2.resize(gray,None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

2. 配置OCR参数

import pytesseract # 常用配置# --psm: Page Segmentation Mode（页面分割模式）# 6: 单一文本块（默认）# 7: 单行文本# 8: 单个词# 11: 稀疏文本# --oem: OCR Engine Mode# 0: 仅使用Legacy引擎# 1: 仅使用神经网络LSTM引擎# 3: 默认（自动）# 示例：单行文字识别 text = pytesseract.image_to_string(img, lang='chi_sim', config='--psm 7')# 示例：只识别数字 text = pytesseract.image_to_string(img, config='--psm 6 -c tessedit_char_whitelist=0123456789')

3. 选择合适的语言

# 纯英文 text = pytesseract.image_to_string(img, lang='eng')# 纯中文 text = pytesseract.image_to_string(img, lang='chi_sim')# 中英混合 text = pytesseract.image_to_string(img, lang='chi_sim+eng')# 繁体中文 text = pytesseract.image_to_string(img, lang='chi_tra')

常见问题

Q：TesseractNotFoundError怎么办？

1. 确认安装了Tesseract OCR引擎
2. 在代码中指定路径：

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

Q：中文识别全是乱码？

1. 检查是否安装了chi_sim语言包
2. 确认使用了lang='chi_sim'参数
3. 检查语言包位置：C:\Program Files\Tesseract-OCR\tessdata\chi_sim.traineddata

Q：识别准确率很低怎么办？

1. 图片预处理：灰度化、二值化、去噪
2. 提高图片分辨率（DPI 300以上）
3. 选择合适的PSM模式
4. 图片文字尽量清晰、背景简单

Q：能识别手写字吗？

Tesseract对手写字识别效果较差，建议使用深度学习模型（如PaddleOCR）。

Q：商业使用需要付费吗？

Tesseract是Apache 2.0开源协议，可免费商用。

Q：pytesseract和其他OCR方案对比？

常用功能

获取文字位置

import pytesseract from PIL import Image img = Image.open('test.jpg')# 获取文字及位置信息 data = pytesseract.image_to_data(img, lang='chi_sim', output_type=pytesseract.Output.DICT)for i, text inenumerate(data['text']):if text.strip(): x, y, w, h = data['left'][i], data['top'][i], data['width'][i], data['height'][i]print(f"文字: {text}, 位置: ({x}, {y}), 大小: {w}x{h}")

保存为PDF

import pytesseract from PIL import Image img = Image.open('scan.jpg') pdf = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')withopen('output.pdf','wb')as f: f.write(pdf)

置信度检测

import pytesseract from PIL import Image img = Image.open('test.jpg') data = pytesseract.image_to_data(img, lang='chi_sim', output_type=pytesseract.Output.DICT)for i, text inenumerate(data['text']): confidence = data['conf'][i]if confidence !=-1and text.strip():print(f"文字: {text}, 置信度: {confidence}%")

相关教程

如果你还需要安装其他Python库：

• Windows安装Mamba_ssm教程
• Windows安装DGL GPU版完全指南 - 图神经网络环境配置
• Windows安装TensorFlow GPU完全指南
• Windows安装MMCV完全指南

更多Python库安装教程，访问：https://www.codetou.com

抠头助手：https://www.codetou.com

遇到问题？打开软件右上角菜单 →「技术客服」，扫码添加微信获取帮助。