记得那次项目里要处理几千张扫描件，客户发过来的都是图片格式的合同文档 手工录入简直要命。

当时我就想，肯定有现成的OCR工具能解决这个问题，结果一搜发现Python生态里的OCR方案还挺丰富的，最终选择了Tesseract这个老牌引擎，真香。

01

Tesseract本身是谷歌开源的OCR引擎 支持100多种语言识别 在Python里我们主要通过pytesseract这个包来调用它

安装过程稍微有点坑 需要先装Tesseract引擎本体 然后再装Python包装器

# 先安装Tesseract引擎

# Ubuntu： sudo apt install tesseract-ocr

# macOS： brew install tesseract  

# Windows： 下载exe安装包

# 再装Python包

pip install pytesseract pillow我当时在Windows上折腾了半天 主要是路径配置的问题 后来发现直接在代码里指定tesseract.exe的路径最省事

02

最基础的使用其实很简单 读图片 调用识别 输出文字 三步搞定

import pytesseract

from PIL import Image

# Windows用户可能需要指定路径

# pytesseract.pytesseract.tesseract_cmd = r'C：\Program Files\Tesseract-OCR\tesseract.exe'

# 打开图片并识别

image = Image.open('test.jpg')

text = pytesseract.image_to_string(image， lang='chi_sim')

print(text)这里有个细节 lang参数很重要 默认是英文识别 如果要识别中文记得设置成'chi_sim' 繁体中文是'chi_tra'

不过直接这样用效果通常不太理想。

03

图片预处理是OCR成功的关键，我在项目中总结了几个实用的技巧

import cv2

import numpy as np

from PIL import Image

defpreprocess_image(image_path)：

    # 读取图片

    img = cv2.imread(image_path)    

    # 转灰度图

    gray = cv2.cvtColor(img， cv2.COLOR_BGR2GRAY)    

    # 二值化处理 黑白分明效果更好

    _， binary = cv2.threshold(gray， 127， 255， cv2.THRESH_BINARY)    

    # 去噪声 形态学操作很有效

    kernel = np.ones((2，2)， np.uint8)

    cleaned = cv2.morphologyEx(binary， cv2.MORPH_CLOSE， kernel)    

    return cleaned

# 预处理后再识别

processed_img = preprocess_image('noisy_text.jpg')

pil_img = Image.fromarray(processed_img)

text = pytesseract.image_to_string(pil_img， lang='chi_sim')

二值化这步特别关键 可以大幅提升识别准确率 尤其是那些扫描质量不太好的文档

04

实际项目中我还会用到一些高级功能 比如获取文字的位置信息和置信度

# 获取详细识别信息

data = pytesseract.image_to_data(image， output_type=pytesseract.Output.DICT)

# 遍历识别结果

for i in range(len(data['text']))：

    confidence = data['conf'][i]

    text = data['text'][i].strip() 

    # 过滤置信度低的结果

    if confidence > 60 and text：

        x， y， w， h = data['left'][i]， data['top'][i]， data['width'][i]， data['height'][i]

        print(f"文字： {text}， 置信度： {confidence}， 位置： ({x}， {y}， {w}， {h})")

置信度过滤很有用 能剔除那些识别不准确的文字 我一般设置阈值为60 根据实际情况调整

还有个小技巧 如果识别出来的文字格式乱七八糟 可以试试调整PSM参数

# PSM参数控制页面分割模式

custom_config = r'--oem 3 --psm 6'

text = pytesseract.image_to_string(image， config=custom_config)

PSM 6适合单一文本块 PSM 8适合单个词语 根据图片内容选择合适的模式效果会更好

05

我还封装了一个批量处理的工具类 处理大量文档时特别有用

import os

from pathlib import Path

classOCRProcessor：

    def__init__(self， lang='chi_sim')：

        self.lang = lang

    

    defprocess_folder(self， folder_path， output_file='result.txt')：

        results = []

        folder = Path(folder_path)

        

        for img_file in folder.glob('*.jpg')：

            try：

                image = Image.open(img_file)

                text = pytesseract.image_to_string(image， lang=self.lang)

                results.append(f"文件： {img_file.name}\n内容： {text}\n{'-'*50}\n")

                print(f"已处理： {img_file.name}")

            except Exception as e：

                print(f"处理失败： {img_file.name}， 错误： {e}")

        

        # 保存结果

        withopen(output_file， 'w'， encoding='utf-8') as f：

            f.writelines(results)

# 使用示例

processor = OCRProcessor()

processor.process_folder('./images/'， 'extracted_text.txt')这个工具类帮我处理过几千张图片 省了不少时间呢

总的来说 Python的OCR方案已经相当成熟了 Tesseract虽然不是最先进的 但胜在免费开源 对于大部分场景完全够用 如果要求更高的准确率 可以考虑付费的云端API 比如百度OCR或腾讯云OCR

关键还是要根据具体场景选择合适的预处理策略和参数配置 多试试不同的组合 总能找到最佳效果的。