Windows安装Tesseract OCR与Python中使用pytesseract进行文字识别

前言

Tesseract OCR是一个开源OCR（Optical Character Recognition）引擎，用于从图像中提取文本。Pytesseract是Tesseract OCR的Python封装，它使得在Python中使用Tesseract OCR引擎变得容易。Pytesseract提供了简单的API，帮助开发者轻松地使用Tesseract OCR引擎来实现图像中文本的识别。本文主要介绍了Windows下安装Tesseract OCR、并在Python中使用pytesseract进行本地文字识别的流程。

一、下载并安装Tesseract OCR

在Tesseract OCR下载地址https://digi.bib.uni-mannheim.de/tesseract/下载合适的版本安装包，如下：

点击安装包进行安装：

语言选择英文：

如果需要识别中文，则可以在安装过程中勾选下载中文语言包和脚本（也可以按需选择繁体）：

自定义安装路径：

然后一直选择默认选项进行安装即可。

二、配置环境变量

为了方便使用Tesseract，需要将软件安装目录添加到系统环境变量中，这样不必每次执行命令时都切换到Tesseract的安装路径，如下：

设置确定后之后，可以进行验证，打开CMD，输入tesseract --version，示意如下：

C:\Users\LENOVO>tesseract --version
tesseract v5.3.0.20221214
 leptonica-1.78.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
 Found AVX2
 Found AVX
 Found FMA
 Found SSE4.1
 Found libarchive 3.5.0 zlib/1.2.11 liblzma/5.2.3 bz2lib/1.0.6 liblz4/1.7.5 libzstd/1.4.5
 Found libcurl/7.77.0-DEV Schannel zlib/1.2.11 zstd/1.4.5 libidn2/2.0.4 nghttp2/1.31.0

如果输出版本等信息，说明安装成功。

三、Python中安装使用pytesseract

Python通过API接入Tesseract OCR，就可以在Python中方便进行文字识别。在使用前需要进行安装，如下：

# 使用conda进行安装
conda install pytesseract -y
# 使用pip安装
pip install pytesseract

安装成功即可使用，OCR示例如下：

In [1]: import pytesseract

In [2]: import re

In [3]: import requests

In [4]: from PIL import Image

In [5]: url = 'http://42.194.197.95:8001/static/imgs/phone_imgs/phone0.png'

In [6]: image = Image.open(requests.get(url, stream=True).raw)

In [7]: image
Out[7]: <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=94x20>

In [8]: res = pytesseract.image_to_string(image)

In [9]: res
Out[9]: '14770126139\n'

In [10]: re.search('\d+', res).group()
Out[10]: '14770126139'

总结

Tesseract OCR是一个本地的图片识别开源引擎，不需要额外的深度学习OCR模型即可实现简单、快速的识别，同时可以通过接口来与多种编程语言对接而集成，可以作为轻量OCR的最佳选择。