使用Python進行OCR識別圖片中的文字

• 工具
  • Tesseract
  • pytesseract
  • tesserocr

朋友需要一個工具，將圖片中的文字提取出來。我幫他在網上找了一些OCR的應用，都不好用。所以準備自己研究，寫一個Web APP供他使用。

OCR¹，全稱Optical character recognition，或者optical character reader，中文譯名叫做光學文字識別。它是把圖像文件中的手寫文本，列印文本轉換為機器編碼文本的一種方法。

OCR技術廣泛用於識別列印紙張中的文字數據 -- 比如護照，支票，銀行聲明，收據，統計表單，郵件等。OCR的早期版本，需要對圖片中的每個文字都進行訓練，一次只能作用於一種字體。高級的版本增加了很大的識別率，可以同時識別現在很多流行的字體，支持不同種類格式的圖片文件。一些系統可以生成接近於原來圖片格式的輸出，包括圖片，排版，以及其它非文本組件，這也叫做版面還原。

工具

Tesseract

現在最出名，最常用的OCR就是谷歌的tesseract OCR engine²。最新的版本是Tesseract4。Tesseract的主要開發者是Ray Smith³.

Tesseract支持unicode(UTF-8)，安裝後即可識別超過100種語言。

Tesseract支持不同的輸出可是：普通文本，hOCR(html)，PDF，TSV，invisible-text-only PDF。在master分支，還試驗性地支持ALTO(XML)格式。

請記住，在大多數情況下，為了獲得更好的OCR結果，你需要為提供給Tesseract的圖片提升質量⁴.

Tesseract可以通過訓練來識別其它語言和其它字體⁵.

另外，有很多第三方的Tesseract GUI應用。可以直接下載使用⁶。

pytesseract

Python-tesseract⁷(pytesseract)是Google Tesseract ORC引擎的封裝。首次commit的2014年。用這個庫，可以很方便地編寫腳本，可以用它來識別所有可以由PIL識別的圖片格式，包括jpeg, png, gif, bmp, tiff等， 而tesseract-orc本來只支持tiff和bmp兩種格式。

如果在腳本中使用，識別的文本可以輸出為Python字元串，而不是直接輸出到文件中。

另外，這個代碼庫只有一個文件，400行代碼。如果有任何疑問，可以直接翻看源代碼。

tesserocr

tesserocr⁸也是一個TesseractOCR的封裝庫。它的首次commit是2015年。

這個庫相對於pytesseract的優勢在於⁹，這個庫是使用Cython來直接調用Tesseract的C++ API。使用它和threading模塊來處理圖片，可以釋放GIL，達到真正的併發執行。

但是我更喜歡pytesseract，因為它的API更加的pythonic。

1. Wiki: OCR ↩

2. Github: tesseract OCR engine ↩

3. Tesseract作者 Ray Smith，美國電腦科學家，電腦圖形學的先驅. 他的中文名字叫做匠白光. ↩

4. Wiki: 為Tesseract提升圖片質量 ↩

5. Wiki: 訓練Tesseract ↩

6. Tesseract第三方GUI應用列表 ↩

7. Github: Python-tesseract ↩

8. Github: tesserocr ↩

9. Hacknews: 關於pytesseract, tesserocr的區別 ↩