图片转文字 ( OCR )

OCR ( Optical Character Recognition ) 就是所谓的字元辨识，可以将图片的内容转换成可编辑的文字，这篇文章会介绍使用 Python 的 Pillow 第三方函数库，搭配 tesseract 函数库与程序，实作打开图片并辨识图片内的文字，并将其转换成字串。

本篇使用的 Python 版本为 3.7.12，所有范例可使用 Google Colab 实作，不用安装任何软件 ( 参考：使用 Google Colab )

安装 Pillow 和 tesseract 函数库

输入下列指令安装 Pillow，根据个人环境使用 pip 或 pip3，如果使用 Colab 或 Anaconda Jupyter，已经内建 Pillow 函数库。

!pip install Pillow

输入下列指令安装 tesseract，根据个人环境使用 pip 或 pip3。

!pip install pytesseract

如果是 Colab 安装后，需要点击 RESTART RUNTIME 按钮。

安装 tesseract 程序

虽然安装了 pytesseract 函数库，仍然必须要额外安装 tesseract 程序，才能具备图片辨识文字的功能，安装方式如下：

• Windows：

  参考 Tesseract installer for Windows 下载 exe 文件安装。

• Mac：

  输入 brew install tesseract 使用 homebrew 安装。

• Google Colab：

  参考“连动 Google Drive”文章连动 Google Drive 后，输入 !sudo apt install tesseract-ocr 安装 ( 注意，关闭 Colab 之后，会自动将上传或安装的数据删除，再次打开需要重复一次安装步骤 )。

下载语系包

tesseract 默认只有支援英文语系，如果要辨识其他语言，必须要前往“tesseract-ocr/tessdata_best”额外下载语系包：

• 繁体中文：chi_tra.traineddata
• 简体中文：chi_sim.traineddata
• 日文：jpn.traineddata

下载后，将语系包放到对应的文件夹内：

• Windows：

  前往 C:\Program Files (x86)\Tesseract-OCR\tessdata 文件夹

• Mac：

  使用终端机的指令前往“/usr/local/Cellar/tesseract/5.1.0/share/tessdata”( 版本根据个人环境而异，本篇教学撰写时版本为 5.1.0 )，进入后输入“open .”打开文件夹 ( 因为该文件夹在 Mac 中属于隐藏文件，要使用指令打开 )，将语系包复制贴上。

  

• Google Colab

  打开左侧文件夹选单，点击“上一层”的按钮。

  

  选择“usr > share”。

  

  选择“tesseract-ocr > 4.00 > tessdata”，点击鼠标右键，上传语系包 ( 注意，关闭 Colab 之后，会自动将上传或安装的数据删除，再次打开需要重复一次安装步骤 )。

  

辨识图片中的文字

安装完成后，就可以使用 Pillow 打开图片，透过 pytesseract.image_to_string 将图片中的文字转换成真正的文字，lang 可以设定语系，eng 表示英文，chi_tra 繁体中文，chi_sim 简体中文，下方的程序码会辨识一张英文字图片的文字。

范例图片：下载

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

from PIL import Image
import pytesseract

img = Image.open('english.jpg')
text = pytesseract.image_to_string(img, lang='eng')
print(text)

如果是使用中文语言包，还可以辨识出中英文夹杂的句子。

范例图片：下载

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

from PIL import Image
import pytesseract

img = Image.open('chinese.jpg')
text = pytesseract.image_to_string(img, lang='chi_tra')
print(text)

意见反馈