图片文字、数字识别并转文档

最近工作中有把图片中的文字和数字识别出来的需求，但是网上的图片转excel有些直接收费，有些网址每天前几次免费，后续依然要收费。

想着趁周末有时间，倒腾一下，如果后续这种需求多的话，可以节省一点成本，也可以提升自己编程的能力。

而且在一些爬虫登录时，字符识别自动填写也需要。

一、安装pytesseract库和OCR识别软件

打开cmd，在里面输入

pip install pytesseract

即可成功安装pytesseract库，但是这时直接调用该库会出现如下错误：

从网上搜索原因发现要实现图片识别，要先安装OCR识别软件：tesseract-ocr，有需要的可以到如下官网自行下载：

https://github.com/UB-Mannheim/tesseract/wiki

不过这个网址下载速度特别慢，电脑是 windows64 位的朋友，可以到公众号中回复 “OCR软件” 免费获取网盘下载地址，提高下载速度。

安装 OCR 识别软件时，一路默认即可，如果怕 C 盘内存占用太多，影响电脑速度，也可以选择别的盘安装，我就是安装在 D:\tpsb 文件夹中。

软件装完后需配置环境变量： 我的电脑 ->属性 -> 高级系统设置 ->环境变量 ->系统变量 ，在 path 中添加 OCR 安装路径，具体如下：

我的OCR软件是安装在D:\tpsb文件夹中，你在添加的时候要改成你的安装目录。

由于OCR默认识别英文和数字，不能识别中文，所以需要将语言字库文件夹添加到系统变量中。

即需在新建变量中增加一个TESSDATA_PREFIX变量名，变量值为你的安装路径加tessdata，比如D:\tpsb\tessdata，具体如下：

配置完后就可以在命令行输入 WIN+R 打开cmd ：输入 tesseract -v ，出现版本信息，则配置成功。

但是有些朋友在python中调用tesseract进行图片识别时还是会报错，建议把pytesseract.py文件中的tesseract_cmd做如下修改：

其中tesseract_cmd中的路径为你安装tesseract软件的路径。

二、识别英文和数字

软件安装和配置好后，就可以进行图片识别啦。

首先来看下用python识别简单的数字图片，效果怎么样，具体图片如下：

python语句如下：

import os
import sys
import pytesseract
from PIL import Image

os.chdir(r'F:\公众号\25.图片识别')
text=pytesseract.image_to_string(Image.open('2_date.png'))
print(text)

得到结果：

可以发现数字的识别结果和原图是完全一致的，这种数字识别可以应用在验证码的识别中。

接下来看下常见的由英文表头和数字内容组成的图片表格，这种类型图片的识别效果。

python识别语句如下：

text=pytesseract.image_to_string(Image.open('4_date.png'))
print(text)

得到结果：

查看text类型会发现text是一个字符串，需要进一步处理成我们分析用的表格。

具体语句如下：

import pandas as pd

data = pd.DataFrame(text.split('\n'))
data_1 = pd.DataFrame((x.split(' ') for x in data[0]))

得到结果：

从以上图片可以发现，识别的结果还是存在一些问题，比如把0识别成了ie)，多加了一些行等。

所以最终的结果可能需要人工智能一下。

对比一下我常用的图片转excel网站结果，感兴趣的可以自己测试一下，网址如下：

https://xpdf.net/ocr-images-to-excel

得到结果：

会发现‍网上自动识别结果也存在一些问题，不过比一个一个手敲数据要好很多。

以上讲的都是英文和数字的识别，要想识别中文可以选择加载相应的中文包，也可以调用百度API。

三、识别中文

本文介绍加载相应的中文包进行中文识别，可以选择到官网https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata去下载，可是速度实在是太慢，有时根本打不开。

也可以选择到公众号中回复“文字识别中文包”免费获取网盘下载链接，速度依然慢，我测试过要半小时左右。

下载后解压缩，把文件夹中的东西复制到安装目录“D:\tpsb\tessdata”下即可（你复制的路径要替换成安装目录）。

假设我们要识别的图片如下：

python识别代码：

import os
import sys
import pytesseract
from PIL import Image

os.chdir(r'F:\公众号\25.图片识别')
text=pytesseract.image_to_string(Image.open('1_诗.png'),lang='chi_sim')
print(text)

识别结果：

可以发现猿啸哀的啸识别成了喝，长江滚滚来识别成了长江木，最后一句也存在一定的问题。

下一篇文章我们一起来探索调用百度AI的文字识别功能，对比来看哪一种方式的识别效果好。

参考文献

https://blog.csdn.net/xiaxianba/article/details/89450855
https://blog.csdn.net/qiushi_1990/article/details/78041375
https://www.cnblogs.com/my-blogs-for-everone/p/10637225.html