今天意外在朋友圈看到一个朋友求助关于如何识别图片里的文字，并导出成TXT文档格式。就想到最近用Python很顺手，记得之前看到过用Python结合Tesseract就可以导出图片中的文字的，于是说干就干。
因为之前已经安装好Tesseract在电脑上，环境变量也设置好了，也用pip install了tesseract在终端上，所以就是直接敲代码的事。如果有不清楚怎么安装的朋友可以看看这位大佬的指导（OCR与Tesseract安装）先谢谢大佬的指导！
好了，进正题，其实只要7行代码就可以搞定，代码如下：
这里要注意记得写上编码格式，不然会报错：
UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\xbb’ in position
切记！！！
然后拿到转换后的TXT文档如下右图（图片是网上随意找来实验的）：
可见tesseract在识别图片文字方面还是有很大的进步空间的，上图只识别了其中一部分图片的文字，掌柜想说是不是排列不整齐也会影响他的识别？于是又去找了一张图来：
这次都是在整齐一行上面的，于是再次调用刚刚的程序来识别，最后的文档是这样：
这次三分之二的文字能识别出来，还是有识别不出乱写的。由此可见，tesseract本身的准确性还有待加强。后来掌柜的又多实验了好几个图片，最后可以得出：
- 要识别的图片文字最好是Arial字体的，这个几乎可以百分之九十五成功；
- 要识别的图片最好是对整齐的行跟列，如果要出现左右不是一致高度的就会出现乱写；
- 要识别的图片背景最好是纯白的，有颜色的对于初始的tesseract来说难度很大；
- 数字暂时没法识别。
好了，今天的试验就暂时到这里，幸好朋友给的图片文件是Arial字体，基本识别无误，只是需要自己分行。后来又搜索了一下，发现可以训练tesseract，提高他的识别率，看来是个有意思的试验，改天继续再分享！
京公网安备 11010502036488号