python提取图片中的文字_python提取图片文字

OCR，全称Optical character recognition，中文译名叫做光学文字识别。它把图像中的字符，转换为机器编码的文本的一种方法。OCR技术在印刷行业应用得非常多，也广泛用于识别图片中的文字数据 – 比如护照，支票，银行声明，收据，统计表单，邮件等。

pytesseract，即Python-tesseract，是Google Tesseract ORC引擎的封装。首次于2014年提出，支持的图片格式有’JPEG’, ‘PNG’, ‘PBM’, ‘PGM’, ‘PPM’, ‘TIFF’, ‘BMP’, ‘GIF’，只需要简短的代码就能够提取图片中的字符合文字了，极大方便文字工作。

准备工作

1，安装pillow或者PIL，主要用来打开本地图片

pip install PIL
pip install pillow
1
2

2，安装pytesseract，主要用来将图片里面文字转化字符串或者pdf

pip install pytesseract
1

3，安装 Tesseract-OCR应用程序
进入 https://pan.baidu.com/s/1qXumxdltxOnb0geaE_1U-Q下载安装

4，修改 pytesseract 源码中的路径
进入D:\Anaconda3\Lib\site-packages\pytesseract，用Notepad++打开pytesseract.py，将源码第26行的路径修改成安装Tesseract-OCR应用程序路径。

tesseract_cmd = 'tesseract.exe'
1

修改成

tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'
1

5，安装中文字库
进入https://pan.baidu.com/s/1GfspC5uef73B2Oa8YudBgQ，下载中文库复制到 Tesseract-OCR 安装目录下的 tessdata 文件夹中

原图片

完整代码

from PIL import Image
import pytesseract

image = Image.open("粉丝.jpg") #打开图片
#print(image.size) #测试图片像素尺寸
text = pytesseract.image_to_string(image, lang='chi_sim') #图片转字符串
text = text.replace("“ ","").replace("。","") #去掉杂质，提纯
print(text) #测试结果
1
2
3
4
5
6
7
8

结果预览

关 注 我 的 人

共 634 位
排 行 榜 用 户 分 析   
1 上 海 133 人 21.0%   
2 邵 阳 64 人 10.1%8
3 北 京 34 人 5.4%
4  广 州 19 人 3.0%
5 深 圳 18 人 2.8%
6 武 汉 16 人 2.5%
7 阜 阳 13 人 2.1%
8 长 沙 12 人 1.9%
9 成 都 1 人 1.7%
10 南 京 1 人 1.7%
人 重 庆 10 人 1.6%
12 苏 州 9 人 1.4%
13 杭 州 8 人 1.3%
14 西 安 6 人 0.9%
15 滩 坊 6 人 0.9%
16 美 国 5 人 0.8%
17 合 肥 5 人 0.8%
18 宁 波 5 人 0.8%
19 徐 州 5 人 0.8%
20 厦 门 4 人 0.6%
21 十 堰 4 人 0.6%
22 绍 兴 4 人 0.6%
23 哈 尔 滨 4 人 0.6%
24 石 家 庄 4 人 0.6%
25 沈 阳 4 人 【
26 济 南 4 人 0.6%
27 江 门 3 人 0.5%
28 洛 阳 3 人 0.5%
29 焦 作 3 人 0.5%
30 安 阳 3 人 0.5%
31 郁 州 3 人 0.5%
32 东 菀 3 人 0.5%
33 尾 明 3 人 0.5%
34 中 山 3 人 0.5%
35 长 春 3 人 0.5%
36 济 宁 3 人 0.5%
37 株 洲 3 人 0.5%
38 呼 和 浩 特 3 人 0.5%
39 贵 阳 3 人 0.5%
40 铜 仁 3 人 0.5%
41 长 治 3 人 0.5%
42 泰 安 2 人 0.3%
43 怀 化 2 人 0.3%
44 崴 州 2 人 0.3%
45 濮 阳 2 人 0.3%
46 聊 城 2 人 0.3%
47 邢 台 2 人 0.3%
48 烟 台 2 人 0.3%
49 湖 南 省 2 人 0.3%
50 保 定 2 人 0.3%
51 岳 阳 2 人 0.3%
52 常 德 2 人 0.3%
53 永 州 2 人 0.3%
54 天 津 2 人 0.3%
55 广 东 省 2 人 0.3%
56 秦 皇 峤 2 人 0.3%
57 湛 江 2 人 0.3%
58 揭 阳 2 人 0.3%
59 南 宁 2 人 0.3%
60 贺 州 2 人 0.3%
61 兰 州 2 人 0.3%
62 巴 音 郭 楼 2 人 0.3%
63 加 拿 大 2 人 0.3%
64 忻 州 2 人 0.3%
65 无 锡 2 人 0.3%
66 温 州 2 人 0.3%
67 芳 湖 2 人 0.3%
68 临 汾 2 人 0.3%
69 安 庆 2 人 0.3%
70 满 州 2 人 0.3%
71 吕 梁 2 人 0.3%
72 吉 林 2 人 0.3%
73 运 城 2 人 0.3%
74 根 州 1 人 0.2%
75 广 元 1 人 0.2%
76 松 原 1 人 0.2%
77 攀 枝 花 1 人 0.2%
78 泸 州 1 人 0.2%
79 宥 宾 1 人 【
80 绵 阳 1 人 0.2%
81 铁 峙 1 人 0.2%
s 遮 押 晚 白 人 02x
83 蹇萱黎族自 1 人 0.2%
84 海 口 1 人 0.2%
85 贵 潜 1 人 0.2%
86 桂 林 1 人 0.2%
87 营 口 1 人 0.2%
88 白 城 1 人 0.2%
89 百 色 1 人 0.2%
90 甘 孜 1 人 0.2%
91 北 海 1 人 0.2%
92 柳 州 1 人 0.2%
93 韶 关 1 人 0.2%
94 鞍 山 1 人 0.2%
95 梅 州 1 人 0.2%
96 辽 阳 1 人 0.2%
97 汕 属 1 人 0.2%
98 肇 庆 1 人 0.2%
99 包 头 1 人 0.2%
100 未 知 地 域 1 人 0.2%
101 荷 兰 1 人 0.2%
102 日 本 1 人 0.2%
103 英 国 1 人 0.2%
104 晋 中 1 人 0.2%
105 澳 大 利 亚 1 人 0.2%
106 奥 地 利 1 人 0.2%
107 昌 吉 1 人 0.2%
108 克 拉 玛 依 1 人 0.2%
109 银 川 1 人 0.2%
10 黄 南 1 人 0.2%
111 平 凉 1 人 0.2%
112 武 威 1 人 0.2%
113 达 州 1 人 0.2%
14 榆 林 1 人 0.2%
115 延 安 1 人 0.2%
116 宝 鸡 1 人 0.2%
117 香 潜 1 人 0.2%
8 呼 伦 贝 尔 1 人 0.2%
119 黔 东 南 1 人 0.2%
120 大 连 1 人 0.2%
121 邋 义 1 人 0.2%
122 六 盘 水 1 人 0.2%
123 葫 芦 岛 1 人 0.2%
124 延 边 1 人 0.2%
125 眉 山 1 人 0.2%
126 德 州 1 人 0.2%
127 信 阳 1 人 0.2%
128 新 乡 1 人 0.2%
129 台 州 1 人 0.2%
130 开 封 1 人 0.2%
131 嘉 兴 1 人 0.2%
132 衢 州 1 人 0.2%
133 金 华 1 人 0.2%
134 日 照 1 人 0.2%
135 张 家 口 1 人 0.2%
136 溏 博 1 人 0.2%
137 _ 临 沂 1 人 0.2%
138 菏 泽 1 人 0.2%
139 淮 北 1 人 0.2%
140 许 昌 1 人 0.2%
141 铜 陵 1 人 0.2%
142 青 岛 1 人 0.2%
143 新 余 1 人 0.2%
144 景 德 镇 1 人 0.2%
145 衡 水 1 人 0.2%
146 南 昌 1 人 0.2%
147 宁 德 1 人 0.2%
148 莲 田 1 人 0.2%
149 三 明 1 人 0.2%
150 泉 州 1 人 0.2%
151 六 安 1 人 0.2%
152 福 州 1 人 0.2%
153 梦 州 1 人 0.2%
154 滕 州 1 人 0.2%
155 佛 山 1 人 0.2%
156 鸣 州 1 人 0.2%
157 珠 海 1 人 0.2%
158 沧 州 1 人 0.2%
159 江 苏 省 1 人 0.2%
160 云 浮 1 人 0.2%
161 晋 城 1 人 0.2%
162 娄 底 1 人 0.2%
163 扬 州 1 人 0.2%
164 常 州 1 人 0.2%
165 唐 山 1 人 0.2%
166 湘 潭 1 人 0.2%
167 汕 头 1 人 0.2%
168 衡 阳 1 人 0.2%
169 连 云 湛 1 人 0.2%
170 张 家 界 1 人 0.2%
171 大 同 1 人 0.2%
172 盐 城 1 人 0.2%
173 黄 冈 1 人 0.2%
174 襄 糜 1 人 0.2%
175 宣 昌 1 人 0.2%
176 太 原 1 人 0.2%
177 庾 坊 1 人 0.2%
178 湖 北 省 1 人 0.2%
179 周 口 1 人 0.2%

全 部 加 载 完 成
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185

结果还是不错的，90%都识别出来了，只是汉字之间都是空格隔开，可以考虑replace掉。

参考文献

1，https://github.com/madmaze/pytesseract