python實現中文圖片文字識別--OCR about chinese text--tesseract

0.我的環境：

win7 32bits

python 3.5

pycharm 5.0 

 

1.相關庫

安裝pillow：

pip install pillow

安裝tesseract：

tesseract-ocr-setup-3.02.02.exe

自帶了英文語言包，如果需要中文語言包往下找即可。

或者在安裝的時候，在選項lang處，點選chi-sim即可。

安裝完畢后，會兒自動加入系統環境變量中。

安裝pytesseract：

pip install pytesseract

 

2.修改pytesseract.py原文件

# tesseract_cmd = 'tesseract'

tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

#如果不修改，會報錯：FileNotFoundError: [WinError 2] 系統找不到指定的文件。

#f = open(output_file_name)

f = open(output_file_name, encoding='utf-8')

#如果不修改，會兒報錯：UnicodeDecodeError: 'gbk' codec can't decode byte 0xyy in position xxx: illegal multibyte sequence

 

3.小程序，測試一下

#coding:utf-8
#Test one page
import pytesseract
from PIL import Image

def processImage():
    image = Image.open('test.png')

    #背景色處理，可有可無
    image = image.point(lambda x: 0 if x < 143 else 255)
    newFilePath = 'raw-test.png'
    image.save(newFilePath)

    content = pytesseract.image_to_string(Image.open(newFilePath), lang='eng')
    #中文圖片的話，是lang='chi_sim'
    print(content)

processImage()