前言

不知道大家有沒有遇到過這樣的問題，就是在某個軟體或者某個網頁裡面有一篇文章，你非常喜歡，但是不能複製。或者像百度檔案一樣，只能複製一部分，這個時候我們就會選擇截圖儲存。但是當我們想用到裡面的文字時，還是要一個字一個字打出來。那麼我們能不能直接識別圖片中的文字呢？答案是肯定的。

Tesseract

文字識別是ORC的一部分內容，ORC的意思是光學字元識別，通俗講就是文字識別。Tesseract是一個用於文字識別的工具，我們結合Python使用可以很快的實現文字識別。但是在此之前我們需要完成一個繁瑣的工作。

（1）Tesseract的安裝及設定

Tesseract的安裝我們可以移步到該網址 https://digi.bib.uni-mannheim.de/tesseract/，我們可以看到如下介面：

有很多版本供大家選擇，大家可以根據自己的需求選擇。其中w32表示32位元系統，w64表示64位元系統，大家選擇合適的版本即可，可能下載速度比較慢，大家可以選擇連結：pan.baidu.com/s/1jKZe_ACL… 提取碼：ayel下載。安裝時我們需要知道我們安裝的位置，將安裝目錄設定到系統path變數當中，我們路徑是D:\CodeField\Tesseract-OCR。

我們右擊我的電腦/此電腦->屬性->高階系統設定->環境變數->Path->編輯->新建然後將我們的路徑複製進去即可。新增好系統變數後後我們還需要依次點確定，這樣才算設定好了。

（2）下載語言套件

Tesseract預設是不支援中文的，如果想要識別中文或者其它語言需要下載相應的語言套件，下載地址如下：https://tesseract-ocr.github.io/tessdoc/Data-Files ，進入網站後我們往下翻：

其中有兩個中文語言套件，一個Chinese-Simplified和Chinese-Traditional，它們分別是簡體中文和繁體中文，我們選擇需要的下載即可。下載完成後我們需要放到Tesseract的路徑下的tessdata目錄下，我們路徑是D:\CodeField\Tesseract-OCR\tessdata。

（3）其它模組下載

除了上面的步驟，我們還需要下載兩個模組：

pip install pytesseract
pip install pillow

第一個是用於文字識別的，第二個是用於圖片讀取的。接下來我們就可以進行文字識別了。

文字識別

（1）單張圖片識別

接下來的操作就要簡單的多，下面是我們要識別的圖片：
接下來就是我們文字識別的程式碼：

import pytesseract
from PIL import Image
# 讀取圖片
im = Image.open('sentence.jpg')
# 識別文字
string = pytesseract.image_to_string(im)
print(string)

識別結果如下：

Do not go gentle into that good night!

因為預設是支援英文的，所以我們可以直接識別，但是當我們要識別中文或其它語言時就需要做些修改：

import pytesseract
from PIL import Image
# 讀取圖片
im = Image.open('sentence.png')
# 識別文字，並指定語言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

在識別時，我們設定lang='chi_sim'，也就是把語言設定為簡體中文，只有當你的tessdata目錄下有簡體中文包該設定才會生效。下面是我們用來識別的圖片：
識別結果如下：

不 要 溫 順 的 走 進 那 個 良 夜

圖片內容被準確識別出來了。有一點我們需要知道，在我們將語言設定為簡體中文或其它語言後，Tesseract還是可以識別出英文字元。

（2）批次圖片識別

既然我們把單張圖片識別列出來了，就肯定還有批次圖片識別這個功能，這就需要我們準備一個txt檔案了，比如我有檔案，text.txt內容如下：

sentence1.jpg
sentence2.jpg

我們將程式碼修改為如下：

import pytesseract
# 識別文字
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)

但是這樣自己寫一個txt檔案難免有些麻煩，因此我們又可以進行如下修改：

import os
import pytesseract
# 文字圖片的路徑
path = 'text_img/'
# 獲取圖片路徑列表
imgs = [path + i for i in os.listdir(path)]
# 開啟檔案
f = open('text.txt', 'w+', encoding='utf-8')
# 將各個圖片的路徑寫入text.txt檔案當中
for img in imgs:
    f.write(img + '\n')
# 關閉檔案
f.close()
# 文字識別
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
print(string)

這樣我們只需要傳入一個文字圖片的根目錄就可以批次進行識別了。在測試過程中發現，Tesseract對手寫體、行楷等飄逸的字型識別不準確，對一些複雜的字識別也有待提升。但是宋體、印刷體等筆畫嚴謹的字型識別準確率很高。另外如果圖片的傾斜大於一定的角度，識別結果也會有很大差別。

如有疑問，歡迎在評論區一起討論！

如有不正確的地方，歡迎指導！