Python OCR 文字识别：pytesseract 安装配置与使用

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)
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}")

# 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
with open('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

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

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 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

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

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}%")