前言

在工作中，有時(shí)候會(huì)有大量的截圖、拍照數(shù)據(jù)需要提取，傳統(tǒng)只能人工錄入。但隨著人工智能的發(fā)展，OCR技術(shù)已經(jīng)可以實(shí)現(xiàn)了圖片的文字識(shí)別，本節(jié)就講講如何安裝部署文字識(shí)別環(huán)境，并進(jìn)行文字識(shí)別實(shí)戰(zhàn)。

<1> 前置條件

1、掌握Python的基本知識(shí)

2、會(huì)使用pip安裝擴(kuò)展包

3、下載安裝pytesseract軟件

4、會(huì)配置Windows的環(huán)境變量。

<2> 使用pip安裝pytesseract擴(kuò)展包

使用pytesseract包的第一步是使用pip安裝該軟件包。在命令提示符環(huán)境中，輸入如下指令：

pip install pytesseract

等待上述指令提示安裝安裝即可，如果出錯(cuò)，大概率是你的網(wǎng)絡(luò)問(wèn)題。如下：

看到Successfully表示pytesseract包安裝成功。

<3> 安裝window配套軟件包

登錄https://digi.bib.uni-mannheim.de/tesseract/網(wǎng)站，下載對(duì)應(yīng)版本的軟件。如下：

然后打開(kāi)軟件，開(kāi)始軟件的安裝。如下先選擇安裝的語(yǔ)言，建議默認(rèn)English即可，因?yàn)楦臑槠渌Z(yǔ)言可能出現(xiàn)意想不到的錯(cuò)誤。點(diǎn)擊OK即可。 

出現(xiàn)如下界面，點(diǎn)擊Next即可。 

這里會(huì)出現(xiàn)License Agreement，這是一個(gè)授權(quán)條款，點(diǎn)擊I Agree即可，如下：

出現(xiàn)Choose Users界面，意思是你安裝的軟件誰(shuí)可以用。建議默認(rèn)，如果選擇just for me會(huì)將軟件安裝到用戶(hù)目錄下。這里直接點(diǎn)擊Next即可。

 接下來(lái)是Choose Components，即選擇組件。默認(rèn)支持英文、數(shù)字的識(shí)別，如果要支持中文識(shí)別需要勾選Additional script data（han開(kāi)頭的4個(gè)）和Additional language data（chinese開(kāi)頭的4個(gè)）兩項(xiàng)的中文內(nèi)容。  然后點(diǎn)擊Next，如下：

這里是安裝目錄，建議默認(rèn)，直接點(diǎn)擊Next即可。

接下來(lái)是選擇是否將其添加到開(kāi)始菜單，建議默認(rèn)，直接點(diǎn)擊Install。

然后等待安裝完成，如下。

出現(xiàn)如下界面，表示安裝完成。點(diǎn)擊Next即可。

最后點(diǎn)擊Finish按鈕，結(jié)束程序安裝。

<4> 配置環(huán)境變量

在Windows系統(tǒng)環(huán)境下使用，需要配置環(huán)境變量，主要涉及兩個(gè)。

第一個(gè)是path變量需要新增tesseract的安裝目錄。我采用的默認(rèn)路徑，所以是："C:\Program Files\Tesseract-OCR"。

第二個(gè)是path變量需要新增tesseract的數(shù)據(jù)目錄。如下：需要先新增一個(gè)變量名“TESSDATA_PREFIX”，變量值設(shè)置為："安裝路徑\tessdata"。我采用的默認(rèn)路徑，所以是："C:\Program Files\Tesseract-OCR\tessdata"，如下：

然后將新建的變量名添加到path變量列表中，如下：

完成上述步驟后，需要重啟電腦，否則接下來(lái)的步驟可能會(huì)失效。

驗(yàn)證是否安裝成功，在命令提示符下輸入tesseract --version，如果出現(xiàn)如下類(lèi)似信息即表示成功，否則配置失敗。

<5> 圖片文字識(shí)別

現(xiàn)在有了環(huán)境之后，小編就隨便在網(wǎng)上找一個(gè)圖來(lái)測(cè)試一下，看看效果如何，下面是在隨便找的一個(gè)路牌圖片。

 寫(xiě)一個(gè)字符提取腳本，如下：

# 導(dǎo)入相關(guān)包
from PIL import Image
import pytesseract

# 打開(kāi)圖片
p='test.png'
im = Image.open(p)

# 使用包進(jìn)行文字識(shí)別
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
text = pytesseract.image_to_string(im, lang='chi_sim')
print(text)

上述代碼中，除了我們安裝的包pytesseract外，還使用了PIL包，主要是利用PIL.Image完成圖片的讀取，這里可以不必理會(huì)，按照給定的語(yǔ)法使用就行。

利用該代碼，輸入的結(jié)果如下：

從識(shí)別的結(jié)果來(lái)看，能夠識(shí)別部分文字，但對(duì)于框框內(nèi)的文字識(shí)別出現(xiàn)了錯(cuò)誤。對(duì)于此類(lèi)問(wèn)題需要對(duì)代碼進(jìn)行適當(dāng)調(diào)優(yōu)，從而去除框框的影響，有興趣的小伙伴可以繼續(xù)深入研究。

總結(jié)

到此這篇關(guān)于Python圖片文字識(shí)別與提取的文章就介紹到這了,更多相關(guān)Python圖片文字識(shí)別與提取內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論