python实现OCR：pytesseract和pyddleocr（附代码）_python ocr 识别

背景

  OCR是光学字符识别（Optical Character Recognition）的缩写，通过扫描等光学输入方式和文字识别将图片中的文字提取出来，非常适用于提取网络截图或扫描pdf等文件里的文本。
  目前市面上的OCR工具很多，今天笔者对常用的两种方式分享：

1、pytesseract：pytesseract是google的tesseract的一个python版本的接口库。
2、paddleocr：在国内的工具中，百度AI提供的OCR接口服务算是其中的佼佼者。除了在线接口OCR服务之外，最近百度还开源了飞桨文字识别套件PaddleOCR，可以基于该工具开展本地化的文字识别。

pytesseract

  pytesseract是google的tesseract的一个python版本的接口库，想要真正使用，首先需要安装tesseract。下载网址：tesseract，按默认安装就可以，记得勾选中文包，记住自己的安装路径，配置环境变量（配置到tesseract.exe所在那一级）：  测试是否安装成功，在命令行输入tesseract --help查看是否会返回一些提示信息：
  然后安装pytessract库：

pip install pytesseract
1

  简单使用：

def get_OCR(img_path):
	img_cv = cv2.imread(img_path)
    txt = pytesseract.image_to_string(img_cv ,lang="chi_sim")
    return txt 
1
2
3
4

paddleocr

  百度api提供的OCR服务算是其中的佼佼者，paddleocr是百度还搞的飞桨文字识别套件，可以基于该工具开展本地化的文字识别。我们分别介绍百度api和paddleocr的使用方法。

百度api

  注册百度智能云账号，创建一个应用，在创建新应用页面中，需要填写使用应用的相关信息，并选择文字识别中的通用文字识别服务，全部填写完毕即可成功创建应用，会生成每个应用唯一的AppID、API Key、Secret Key等秘钥信息，这几个值是后续调用api接口的关键参数：
  使用代码示例：

    '''
    构建请求url，获取Access Token，必须参数如下：
    grant_type： 必须参数，固定为client_credentials；
    client_id： 必须参数，应用的API Key；
    client_secret： 必须参数，应用的Secret Key；
    '''
    host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + '替换为自己的API Key' + '&client_secret=' + '替换为自己的Secret Key'
   
    headers = {
        'Content-Type': 'application/json;charset=UTF-8'
    }
    # 获取token
    res = requests.get(url=host, headers=headers).json()
    url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic'
    data = {}
    data['access_token'] = res['access_token']

    '''
    基于之前获取的token值，再次向请求url发送post请求，完成文字识别
    '''
    # 读取图片
    image = "D:\临时\图片1.png"
    file = open(image, 'rb')
    image = file.read()
    file.close()
    data['image'] = base64.b64encode(image)

    #发送post请求，传入图片信息参数，获取文字识别结果
    headers = {"Content-Type": "application/x-www-form-urlencoded"}
    res = requests.post(url=url, headers=headers, data=data)
    result = res.json()
    text = result['words_result'][0]['words']
    #输出文本结果，保存为txt
    f=open("D:\临时\图片1.txt",'a+')
    for i in range(0,len(result['words_result'])):
        f.write(result['words_result'][i]['words']+"\n")

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

  但是，使用api有诸多限制，一天只有几百次免费次数，还会收到网速的影响。

paddleocr

  PaddleOCR可以自行离线部署，并且没有使用频率限制，同时文字识别精度还是比较高的（比pytesseract强多了）。
  在安装使用paddleocr之前，首先需要安装paddlepaddle和shapely：

pip install paddlepaddle
1

  shapely如果直接使用pip安装可能会出现一些问题，我这里是在conda命令行安装，后续使用上没有出现问题：

conda install shapely
1

  安装好前面两个库以后，就可以安装PaddleOCR了：

pip install paddleocr
1

  给出我使用PaddleOCR的方法示例：

def get_paddle_ocr(ocr,image_path):
    result = ocr.ocr(image_path, cls=True)[0]
    txt = ''
    if result == None:
        return txt,False
    for line in result:
        txt = txt + line[1][0]
    if txt == '':
        return txt,False
    return txt,True
1
2
3
4
5
6
7
8
9
10