python下OCR识别-tesseract+pytesseract

1、下载tesseract

https://digi.bib.uni-mannheim.de/tesseract/

安装

系统变量中配置path

配置系统变量：TESSDATA_PREFIX

检查配置是否正常

Python3.7加载tesserocr

python37 -m pip install pillow
python37 -m pip install pytesseract

在目录C:\Python37\Lib\site-packages\pytesseract下打开pytesseract.py，大约第33行，修改：tesseract_cmd=r’C:\\Python37\\Scripts\\tesseract.exe’

到这里Python的绑定window的tesserocr应用已经完成。

https://github.com/tesseract-ocr/tessdata
下载支持中文的字库：chi_sim.traineddata

直接当前目录，没有问题，但是读取其他目录就会存在报错:

File “C:\Python37\lib\site-packages\PIL\Image.py”, line 2944, in open
“cannot identify image file %r” % (filename if filename else fp)
PIL.UnidentifiedImageError: cannot identify image file ‘d:\\test_temp\\105506_.jpg’

（后来检测为python脚本问题）

python37 -m pip install –upgrade pillow

通过代理下载模块
pip37 install pillow==7.0.0 –proxy 127.0.0.1:1080

测试：

（1）简单图片测试：

测试图片:

from PIL import Image
import pytesseract

def read_text(text_path):
    """
    传入文本(jpg、png)的绝对路径,读取文本
    :param text_path:
    :return: 文本内容
    """
    # 验证码图片转字符串
    im = Image.open(text_path)
    # 转化为8bit的黑白图片
    imgry = im.convert('L')
    # 二值化，采用阈值分割算法，threshold为分割点
    threshold = 140
    table = []
    for j in range(256):
        if j < threshold:
            table.append(0)
        else:
            table.append(1)
    out = imgry.point(table, '1')
    # 识别文本，lang参数改为chi_sim，其他代码与上面的读取验证码代码一致。
    text = pytesseract.image_to_string(out, lang="chi_sim", config='--psm 6')
    return text

def start():

    res =(read_text("D:\\test_temp\\105018.jpg"))
    print (res.split('\n')[0])
    print (res.split('\n')[1])
def main():
    start()
if __name__ == '__main__':
    main()

（2）网页图片OCR测试：

# coding:utf-8
__author__='vulsee.com'
from PIL import Image
import pytesseract
import requests
import sys
import ssl
import urllib3

ssl._create_default_https_context = ssl._create_unverified_context
urllib3.disable_warnings()
requests.packages.urllib3.disable_warnings()

def read_text(text_path):
    """
    传入文本(jpg、png)的绝对路径,读取文本
    :param text_path:
    :return: 文本内容
    """
    # 验证码图片转字符串

    im = Image.open(text_path)
    # 转化为8bit的黑白图片    
    imgry = im.convert('L')
    #imgry = im
    # 二值化，采用阈值分割算法，threshold为分割点
    threshold = 140
    table = []
    for j in range(256):
        if j < threshold:
            table.append(0)
        else:
            table.append(1)
    out = imgry.point(table, '1')
    # 识别文本
    #text = pytesseract.image_to_string(out, lang="eng", config='--psm 6')
    text = pytesseract.image_to_string(out, lang="chi_sim", config='--psm 6')

    return (text.strip())

def saveImg(url,id):
    response = requests.get(url)
    imgtxt2 = response.content
    with open(str(id) + '.jpg', 'wb') as f:
        #f.write(bytes(imgtxt2))
        f.write(imgtxt2)

    res = read_text(''+str(id) + '.jpg')
    res=res.replace(' ','').replace('\n','-')
    print (res)

def start(id, parentId):
    url = 'https://****.***/api/api/****t?id=%d&parentId=%s' % (
        id, str(parentId))
    saveImg(url,id)

def main():
    setlen=20

    for i in range(1,setlen,1):
        idno = 105506-500
        parentId = 534726-500
        idno=idno+i
        pid='159980316'+str(parentId+i)
        #time.sleep(2)
        print (i,idno, pid)
        start(idno, pid)

if __name__ == "__main__":
    main()