如何利用Python识别图片中的文字


Posted in Python onMay 31, 2020

一、前言

不知道大家有没有遇到过这样的问题,就是在某个软件或者某个网页里面有一篇文章,你非常喜欢,但是不能复制。或者像百度文档一样,只能复制一部分,这个时候我们就会选择截图保存。但是当我们想用到里面的文字时,还是要一个字一个字打出来。那么我们能不能直接识别图片中的文字呢?答案是肯定的。

二、Tesseract

文字识别是ORC的一部分内容,ORC的意思是光学字符识别,通俗讲就是文字识别。Tesseract是一个用于文字识别的工具,我们结合Python使用可以很快的实现文字识别。但是在此之前我们需要完成一个繁琐的工作。

(1)Tesseract的安装及配置

Tesseract的安装我们可以移步到该网址 https://digi.bib.uni-mannheim.de/tesseract/,我们可以看到如下界面:

如何利用Python识别图片中的文字

有很多版本供大家选择,大家可以根据自己的需求选择。其中w32表示32位系统,w64表示64位系统,大家选择合适的版本即可,可能下载速度比较慢,大家可以选择链接:https://pan.baidu.com/s/1YQCMnx-wCeNrJEE3wcEnQA 提取码:rbc6下载。安装时我们需要知道我们安装的位置,将安装目录配置到系统path变量当中,我们路径是D:\CodeField\Tesseract-OCR。

如何利用Python识别图片中的文字

我们右击我的电脑/此电脑->属性->高级系统设置->环境变量->Path->编辑->新建然后将我们的路径复制进去即可。添加好系统变量后后我们还需要依次点确定,这样才算配置好了。

(2)下载语言包

Tesseract默认是不支持中文的,如果想要识别中文或者其它语言需要下载相应的语言包,下载地址如下: https://tesseract-ocr.github.io/tessdoc/Data-Files ,进入网站后我们往下翻:

如何利用Python识别图片中的文字

其中有两个中文语言包,一个Chinese-Simplified和Chinese-Traditional,它们分别是简体中文和繁体中文,我们选择需要的下载即可。下载完成后我们需要放到Tesseract的路径下的tessdata目录下,我们路径是D:\CodeField\Tesseract-OCR\tessdata。

(3)其它模块下载

除了上面的步骤,我们还需要下载两个模块:

pip install pytesseract
pip install pillow

第一个是用于文字识别的,第二个是用于图片读取的。接下来我们就可以进行文字识别了。

三、文字识别

(1)单张图片识别

接下来的操作就要简单的多,下面是我们要识别的图片:

如何利用Python识别图片中的文字

接下来就是我们文字识别的代码:

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('sentence.jpg')
# 识别文字
string = pytesseract.image_to_string(im)
print(string)

识别结果如下:

Do not go gentle into that good night!

因为默认是支持英文的,所以我们可以直接识别,但是当我们要识别中文或其它语言时就需要做些修改:

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('sentence.png')
# 识别文字,并指定语言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

在识别时,我们设置lang='chi_sim',也就是把语言设置为简体中文,只有当你的tessdata目录下有简体中文包该设置才会生效。下面是我们用来识别的图片:

如何利用Python识别图片中的文字

识别结果如下:

不 要 温 顺 的 走 进 那 个 良 夜

图片内容被准确识别出来了。有一点我们需要知道,在我们将语言设置为简体中文或其它语言后,Tesseract还是可以识别出英文字符。

(2)批量图片识别

既然我们把单张图片识别列出来了,就肯定还有批量图片识别这个功能,这就需要我们准备一个txt文件了,比如我有text.txt文件,内容如下:

sentence1.jpg
sentence2.jpg

我们将代码修改为如下:

import pytesseract
# 识别文字
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)

但是这样自己写一个txt文件难免有些麻烦,因此我们又可以进行如下修改:

import os
import pytesseract
# 文字图片的路径
path = 'text_img/'
# 获取图片路径列表
imgs = [path + i for i in os.listdir(path)]
# 打开文件
f = open('text.txt', 'w+', encoding='utf-8')
# 将各个图片的路径写入text.txt文件当中
for img in imgs:
  f.write(img + '\n')
# 关闭文件
f.close()
# 文字识别
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)

这样我们只需要传入一个文字图片的根目录就可以批量进行识别了。在测试过程中发现,Tesseract对手写体、行楷等飘逸的字体识别不准确,对一些复杂的字识别也有待提升。但是宋体、印刷体等笔画严谨的字体识别准确率很高。另外如果图片的倾斜大于一定的角度,识别结果也会有很大差别。

总结

到此这篇关于如何利用Python识别图片中文字的文章就介绍到这了,更多相关Python识别图片中文字内容请搜索三水点靠木以前的文章或继续浏览下面的相关文章希望大家以后多多支持三水点靠木!

Python 相关文章推荐
Python ValueError: invalid literal for int() with base 10 实用解决方法
Jun 21 Python
python实现域名系统(DNS)正向查询的方法
Apr 19 Python
python用模块zlib压缩与解压字符串和文件的方法
Dec 16 Python
查找python项目依赖并生成requirements.txt的方法
Jul 10 Python
python实现在函数中修改变量值的方法
Jul 16 Python
Python IDE Pycharm中的快捷键列表用法
Aug 08 Python
python pyenv多版本管理工具的使用
Dec 23 Python
如何基于python操作excel并获取内容
Dec 24 Python
Python实现钉钉订阅消息功能
Jan 14 Python
PYcharm 激活方法(推荐)
Mar 23 Python
Python openpyxl模块实现excel读写操作
Jun 30 Python
matplotlib部件之套索Lasso的使用
Feb 24 Python
Python模拟登入的N种方式(建议收藏)
May 31 #Python
Python多线程正确用法实例解析
May 30 #Python
PyQt5实现简单的计算器
May 30 #Python
PyQt5实现登录页面
May 30 #Python
Python网页解析器使用实例详解
May 30 #Python
PyQt5实现画布小程序
May 30 #Python
Java ExcutorService优雅关闭方式解析
May 30 #Python
You might like
一个php作的文本留言本的例子(四)
2006/10/09 PHP
php array_intersect()函数使用代码
2009/01/14 PHP
PHP通用检测函数集合
2011/02/08 PHP
探讨PHP中OO之静态关键字以及类常量的详解
2013/06/07 PHP
PHP中array_keys和array_unique函数源码的分析
2016/02/26 PHP
详解WordPress中添加友情链接的方法
2016/05/21 PHP
利用php-cli和任务计划实现订单同步功能的方法
2017/05/03 PHP
Javascript实现返回上一页面并刷新的小例子
2013/12/11 Javascript
window.location 对象所包含的属性
2014/10/10 Javascript
Jquery 实现弹出层插件
2015/01/28 Javascript
js生成随机数的过程解析
2015/11/24 Javascript
基于javascript如何传递特殊字符
2015/11/30 Javascript
jQuery extend()详解及简单实例
2017/05/06 jQuery
浅谈vue限制文本框输入数字的正确姿势
2019/09/02 Javascript
从表单校验看JavaScript策略模式的使用详解
2020/10/17 Javascript
TypeScript魔法堂之枚举的超实用手册
2020/10/29 Javascript
javascript 数组(list)添加/删除的实现
2020/12/17 Javascript
[54:26]完美世界DOTA2联赛PWL S3 Forest vs Rebirth 第一场 12.10
2020/12/12 DOTA
使用Python脚本生成随机IP的简单方法
2015/07/30 Python
使用py2exe在Windows下将Python程序转为exe文件
2016/03/04 Python
python利用dir函数查看类中所有成员函数示例代码
2017/09/08 Python
python通过ffmgep从视频中抽帧的方法
2018/12/05 Python
python实现Excel文件转换为TXT文件
2019/04/28 Python
Python面向对象之私有属性和私有方法应用案例分析
2019/12/31 Python
CSS3 mask 遮罩的具体使用方法
2017/11/03 HTML / CSS
为什么UNION ALL比UNION快
2016/03/17 面试题
英文简历自荐信范文
2013/12/11 职场文书
关于礼仪的演讲稿
2014/01/04 职场文书
母亲七十大寿答谢词
2014/01/18 职场文书
扬州个园导游词
2015/02/06 职场文书
房屋维修申请报告
2015/05/18 职场文书
暖春观后感
2015/06/08 职场文书
发言稿之优秀教师篇
2019/09/26 职场文书
详解如何使用Node.js实现热重载页面
2021/05/06 Javascript
教你怎么用Python selenium操作浏览器对象的基础API
2021/06/23 Python
python 学习GCN图卷积神经网络
2022/05/11 Python