朋友需要一個工具，將圖片中的文字提取出來。我幫他在網上找了一些OCR的應用，都不好用。所以准備自己研究，寫一個Web APP供他使用。
OCR1，全稱Optical character recognition，或者optical character reader，中文譯名叫做光學文字識別。它是把圖像文件中的手寫文本，打印文本轉換為機器編碼文本的一種方法。
OCR技術廣泛用於識別打印紙張中的文字數據 -- 比如護照，支票，銀行聲明，收據，統計表單，郵件等。OCR的早期版本，需要對圖片中的每個文字都進行訓練，一次只能作用於一種字體。高級的版本增加了很大的識別率，可以同時識別現在很多流行的字體，支持不同種類格式的圖片文件。一些系統可以生成接近於原來圖片格式的輸出，包括圖片，排版，以及其它非文本組件，這也叫做版面還原。
工具
Tesseract
現在最出名，最常用的OCR就是谷歌的tesseract OCR engine2。最新的版本是Tesseract4。Tesseract的主要開發者是Ray Smith3.
Tesseract支持unicode(UTF-8)，安裝后即可識別超過100種語言。
Tesseract支持不同的輸出可是：普通文本，hOCR(html)，PDF，TSV，invisible-text-only PDF。在master分支，還試驗性地支持ALTO(XML)格式。
請記住，在大多數情況下，為了獲得更好的OCR結果，你需要為提供給Tesseract的圖片提升質量4.
Tesseract可以通過訓練來識別其它語言和其它字體5.
另外，有很多第三方的Tesseract GUI應用。可以直接下載使用6。
pytesseract
Python-tesseract7(pytesseract)是Google Tesseract ORC引擎的封裝。首次commit的2014年。用這個庫，可以很方便地編寫腳本，可以用它來識別所有可以由PIL識別的圖片格式，包括jpeg, png, gif, bmp, tiff等， 而tesseract-orc本來只支持tiff和bmp兩種格式。
如果在腳本中使用，識別的文本可以輸出為Python字符串，而不是直接輸出到文件中。
另外，這個代碼庫只有一個文件，400行代碼。如果有任何疑問，可以直接翻看源代碼。
tesserocr
tesserocr8也是一個TesseractOCR的封裝庫。它的首次commit是2015年。
這個庫相對於pytesseract的優勢在於9，這個庫是使用Cython來直接調用Tesseract的C++ API。使用它和threading模塊來處理圖片，可以釋放GIL，達到真正的並發執行。
但是我更喜歡pytesseract，因為它的API更加的pythonic。