Python OCR 文字识别：pytesseract 安装配置与实战

步骤三：安装 Python 依赖

通过 pip 安装 pytesseract 和图像处理库 Pillow：

pip install pytesseract pillow

步骤四：在代码中指定路径

如果你没有配置环境变量，必须在代码中显式指定 Tesseract 的可执行文件路径：

import pytesseract

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

步骤五：补充中文语言包

如果安装时未勾选中文，需手动下载 chi_sim.traineddata 文件，放置到以下目录：

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

验证安装

安装完成后，运行一段简单的测试代码确认环境是否就绪。

import pytesseract
from PIL import Image

# 如果没加环境变量，请取消下面这行的注释
# 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}")

查看已安装的语言包列表：

import pytesseract
print(pytesseract.get_languages())
# 输出示例：['chi_sim', 'eng', ...]

实用案例

案例 1：身份证信息提取

身份证识别通常需要结合 OpenCV 进行预处理，以提高准确率。

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)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# OCR 识别
text = pytesseract.image_to_string(binary, lang='chi_sim')
print(f"身份证信息：\n{text}")

# 简单提取特定字段
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

利用 ImageGrab 截取屏幕内容并进行识别。

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
with open('extracted_text.txt', 'w', encoding='utf-8') as f:
    f.write(text)

案例 3：验证码识别

验证码通常干扰较多，需要针对性调整参数。

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
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

将 PDF 逐页转为图片后再识别。

import pytesseract
from pdf2image import convert_from_path
from PIL import Image

def pdf_to_text(pdf_path, output_txt):
    # PDF 转图片
    images = convert_from_path(pdf_path, dpi=300)
    full_text = ""
    
    for i, img in enumerate(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
    with open(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

清晰的图像是识别的基础。常见的预处理手段包括灰度化、二值化和去噪。

import cv2

img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
denoised = cv2.fastNlMeansDenoising(gray, None, 10, 7, 21)
resized = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

2. 配置 OCR 参数

Tesseract 支持丰富的配置项，例如页面分割模式（PSM）和引擎模式（OEM）。

import pytesseract

# --psm: Page Segmentation Mode
# 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

明确指定语言包能显著提升速度及准确率。

# 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 FAQ

Q：TesseractNotFoundError 怎么办？ 确认已安装 Tesseract 引擎，并在代码中通过 tesseract_cmd 指定绝对路径。

Q：中文识别全是乱码？ 检查是否安装了 chi_sim 语言包，确认使用了 lang='chi_sim' 参数，并验证 .traineddata 文件是否在 tessdata 目录下。

Q：识别准确率很低怎么办？ 尝试优化图片质量（提高 DPI 至 300 以上），增加预处理步骤（去噪、二值化），或调整 PSM 模式。

Q：能识别手写字吗？ Tesseract 对手写体效果较差，建议改用深度学习模型如 PaddleOCR。

Q：商业使用需要付费吗？ Tesseract 采用 Apache 2.0 开源协议，可免费商用。

Q：pytesseract 和其他 OCR 方案对比？

常用功能扩展

获取文字位置

如果需要定位文字在图片中的坐标，可以使用 image_to_data。

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 in enumerate(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

直接将图片转换为 PDF 格式。

import pytesseract
from PIL import Image

img = Image.open('scan.jpg')
pdf = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')

with open('output.pdf', 'wb') as f:
    f.write(pdf)

置信度检测

通过返回的置信度判断识别结果的可靠性。

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 in enumerate(data['text']):
    confidence = data['conf'][i]
    if confidence != -1 and text.strip():
        print(f"文字：{text}, 置信度：{confidence}%")