OCR 是光学字符识别（英语：Optical Character Recognition，OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。
很早之前就有同学在公众号后台回复希望出一篇 OCR 相关的文章，今天尝试了一下cnocr和tesseract，给大家分别讲讲两个模块的使用方法和效果。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器来编写小型Python项目：Python 编程的最好搭档—VSCode 详细指南
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，输入命令安装依赖：
（选择一）安装 cnocr：
pip install cnocr
看到 Successfully installed xxx 则说明安装成功。
如果你只想对图片中的中文进行识别，那么 cnocr 是一个不错的选择，你只需要安装 cnocr 包即可。
但如果你想试试其他语言的OCR识别，Tesseract 是更好的选择。
（选择二）安装 pytesseract：
首先，无论是Windows还是macOS，你都需要安装 pytesseract:
pip install pytesseract
其次，还需要安装Tesseract.
（macOS）Tesseract 在macOS下可以使用brew安装：
brew install tesseract
非常方便，一条命令即可完成安装。
（Windows）安装Tesseract
需要先下载安装tesseract的程序，然后下载中文简体字预训练好的模型包（尽管本教程不会用tesseract，但还是给大家提供了）。
你可以在Python实用宝典公众号后台回复：tesseract 打包下载。
下载完成后，将 tesseract-ocr-setup-4.00.00dev.exe 安装到 Tesseract-OCR 指定目录下，复制该目录路径增加到Path中：
并将训练好的模型文件chi_sim.traineddata放入该目录中，这样安装就完成了。
2.cnocr 识别图片的中文
cnocr 主要针对的是排版简单的印刷体文字图片，如截图图片，扫描件等。目前内置的文字检测和分行模块无法处理复杂的文字排版定位。
尽管它分别提供了单行识别函数和多行识别函数，但在本人实测下，单行识别函数的效果非常糟糕，或者说要求的条件十分苛刻，基本上连截图的文字都识别不出来。
不过多行识别函数还不错，使用该函数识别的代码如下：
from cnocr import CnOcr
ocr = CnOcr()
res = ocr.ocr('test.png')
print("Predicted Chars:", res)用于识别这个图片里的文字：
效果如下：
如果不是很吹毛求疵，这样的效果已经很不错了。
3.pytesseract 识别图片的英文
如果你的OCR目的不是中文而是英文，是需要别的模型的。这里给大家分享Tesseract-OCR，它是一款由HP实验室开发，由Google维护的开源OCR引擎。
Tesseract-OCR 可扩展性很强，你可以基于它训练属于自己的OCR模型。
现在给大家看看它分类英文的效果，代码如下：
import pytesseract
from PIL import Image
image = Image.open('test2.png')
code = pytesseract.image_to_string(image, lang='eng')
print(code)识别的图片：
效果如下：
英文效果真的很不错，当然官方预训练好的中文模型效果就比较一般了。
如果你想试试Tesseract识别中文，只需要将代码中的eng改为chi_sim即可。
我们的文章到此就结束啦，如果你喜欢我们今天的Python 实战教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦
有任何问题都可以在下方留言区留言，我们都会耐心解答的！
Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典
评论(0)