OCR提取图片中的文字

OCR (Optical Character Recognition，光学字符识别)是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。

生活和工作中我们也经常需要从图片中提取文字信息，比如从扫描件，截图或照片中提取有用的信息。做OCR的工具也很多，很多这样的网络工具，如

FREE ONLINE OCR SERVICE

https://www.onlineocr.net/

Convertio

https://convertio.co/zh/ocr/

也有本地版的，最有名的当属tesseract-ocr

https://github.com/tesseract-ocr/tesseract/wiki/Command-Line-Usage

给大家举几个生活中常见的例子

1. 你找人要一个手机号，他发一张截图给你。图片发过来，你不能直接拨号，要么把手机号背下来，要么再找张纸记下来，才能拨号。那个这个时候，OCR就派上用处了。

分别用上面提到的三个工具来识别，看效果

ONLINE OCR

Convertio

tesseract-ocr

总体来说，三个方法都能识别出手机号来，但是中文的识别效率各不相同。其实这张图还是比较难的，因为文字的排布比较杂乱，给识别增添了不少麻烦。

2.你的同事设计了一个human breast cancer panel，你想把gene list拿过来参考一下，结果他发给你一张截图。虽然只有45个基因，但是要自己全部敲一遍，还是要点时间的。万一下次人家设计一个1000个基因的panel，岂不是要哭了。没关系，OCR又可以派上用场了。（当然这里最有效最保险的方法是，直接找你的同事要Excel版的gene list，如果你难以启齿或者信奉“自己动手丰衣足食”，那么接着往下看！）

ONLINE OCR

标题能完整的识别出来，有些基因被分开了，格式打乱了，整体满意度80%

Convertio

堪称完美，标题，gene名字，格式都正确，满意度100%

tesseract-ocr

标题识别有点小错误，gene名字有几个带有引号或下划线，格式基本保留，满意度90%

3.前面我们讲了百度文库免费下载，如果你还是有concern，那么其实也可以先截图再转文字。还是拿“测序名词解释”这篇文档举例，先截个长图

ONLINE OCR

整体效果还不错

Convertio

这次的效果就逊色不少了，错误很多

tesseract-ocr

准确率还行，但是文字中间都有间隔，虽然去掉也很容易（全局替换空格为空），但是用户体验就差了不少。

我相信OCR在生活中还有很多的应用，比如信件或者包裹拍照，识别邮编之后分拣，手机拍名片自动提取姓名，手机号添加到通讯录，我相信即使在微信里面发图片，敏感信息还是能被后台监测到的，OCR对腾讯来说应该是小菜一碟。这里抛砖引玉，欢迎大家列举更多应用。