OCR與Tesseract介紹
將圖片翻譯成文字一般被稱為光學文字識別（Optical Character Recognition，OCR）。可以實現OCR 的底層庫並不多，目前很多庫都是使用共同的幾個底層OCR 庫，或者是在上面進行定制。
Tesseract 是一個OCR 庫，目前由Google 贊助（Google 也是一家以OCR 和機器學習技術聞名於世的公司）。Tesseract 是目前公認最優秀、最精確的開源OCR 系統。
除了極高的精確度，Tesseract 也具有很高的靈活性。它可以通過訓練識別出任何字體（只要這些字體的風格保持不變就可以），也可以識別出任何Unicode 字符。
Tesseract的安裝與使用
Tesseract的Windows安裝包下載地址為： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下載后雙擊直接安裝即可。安裝完后，需要將Tesseract添加到系統變量中。在CMD中輸入tesseract -v, 如顯示以下界面，則表示Tesseract安裝完成且添加到系統變量中。
Linux 用戶可以通過apt-get 安裝：
$sudo apt-get tesseract-ocr
用Tesseract可以識別格式規范的文字，主要具有以下特點：
• 使用一個標准字體（不包含手寫體、草書，或者十分“花哨的”字體）
• 雖然被復印或拍照，字體還是很清晰，沒有多余的痕跡或污點
• 排列整齊，沒有歪歪斜斜的字
• 沒有超出圖片范圍，也沒有殘缺不全，或緊緊貼在圖片的邊緣
下面將給出幾個tesseract識別圖片中文字的例子。
首先是E://figures/other/poems.jpg, 輸入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt， 則會將poems.jpg中的識別文字寫入到poems.txt中，如下圖：
接着是稍微有點傾斜的文字圖片th.jpg,識別情況如下：
可以看到識別的情況不如剛才規范字體的好，但是也能識別圖片中的大部分字母。
最后是識別簡體中文，需要事先安裝簡體中文語言包，下載地址為：https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再講chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下。我們以圖片timg.jpg為例：
輸入命令：
tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim
識別結果如下：
只識別錯了一個字，識別率還是不錯的。
最后加一句，Tesseract對於彩色圖片的識別效果沒有黑白圖片的效果好。
pytesseract
pytesseract是Tesseract關於Python的接口，可以使用pip install pytesseract安裝。安裝完后，就可以使用Python調用Tesseract了，不過，你還需要一個Python的圖片處理模塊，可以安裝pillow.
輸入以下代碼，可以實現同上述Tesseract命令一樣的效果：
import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg'))
print(text)
運行結果如下：
參考文獻
- Python網絡數據采集 【美】 Ryan Mitchell 人民郵電出版社
- https://blog.csdn.net/dcrmg/article/details/78233459?locationNum=7&fps=1
- http://www.inimei.cn/archives/297.html
注意：本人現已開通微信公眾號：輕松學會Python爬蟲（微信號為：easy_web_scrape）， 歡迎大家關注哦~~