pyocr+tesseract入门

2017-03-28
#python #pyocr #tesseract
Python

针对mac系统

tesseract项目主页：https://github.com/tesseract-ocr/tesseract

pyocr项目主页：https://github.com/jflesch/pyocr

1. tesseract安装

终端输入以下命令(未安装brew可前往这里安装)

1
brew install tesseract

2. tesseract语言包

3. tesseract手册

通过man或者--help(-h)命令查看帮助手册

1
2
zhangmimideMacBook-Pro:3.05.00 zhangmimi$ man tesseract
zhangmimideMacBook-Pro:3.05.00 zhangmimi$ tesseract -h

4. PyOCR

4.1 常用API

4.1.1 pyocr.get_available_tools()

列出可用的ocr程序(返回list)，Pyocr目前支持Tesseract和Cuneiform，这里我们只讨论Tesseract。

1
2
3
In[35]: pyocr.get_available_tools()
Out[35]: 
[<module 'pyocr.tesseract' from '/Users/zhangmimi/anaconda/lib/python3.6/site-packages/pyocr/tesseract.py'>]

4.1.2 pyocr.tesseract.is_available()

tesseract是否可用。这里没有安装libtesseract，所以返回false。

1
2
3
4
5
6
In[36]: pyocr.tesseract.is_available()
Out[36]: 
True
In[37]: pyocr.libtesseract.is_available()
Out[37]: 
False

4.1.3 pyocr.tesseract.get_name()

获取tesseract的名称

1
2
3
In[38]: pyocr.tesseract.get_name()
Out[38]: 
'Tesseract (sh)'

4.1.4 pyocr.tesseract.get_version()

版本号

1
2
3
In[39]: pyocr.tesseract.get_version()
Out[39]: 
(3, 5, 0)

4.1.5 pyocr.tesseract.get_available_builders()

可用的builder，返回的是list。

1
2
3
4
5
6
7
8
In[40]: pyocr.tesseract.get_available_builders()
Out[40]: 
[pyocr.builders.LineBoxBuilder,
 pyocr.builders.TextBuilder,
 pyocr.builders.WordBoxBuilder,
 pyocr.tesseract.CharBoxBuilder,
 pyocr.builders.DigitBuilder]

4.1.6 pyocr.tesseract.get_available_languages()

可用的语言，返回的是list。博主安装时默认安装的语言包只有eng和osd,其他语言包可自行添加。

1
2
3
In[41]: pyocr.tesseract.get_available_languages()
Out[41]: 
['chi_sim', 'chi_tra', 'eng', 'equ', 'osd']

4.1.7 pyocr.tesseract.cleanup()

删除某个文件（忽略不存在的文件，参数为文件名）

4.1.8 pyocr.tesseract.can_detect_orientation

是否可以检测方向

1
2
3
In[43]: pyocr.tesseract.can_detect_orientation()
Out[43]: 
True

4.1.9 pyocr.tesseract.detect_orientation

检测图片方向，Tesseract 只能返回0, 90, 180, 270这四个角度。

1
2
3
4
5
6
In[50]: pyocr.tesseract.detect_orientation(
            Image.open('/Users/zhangmimi/Desktop/屏幕快照 2017-03-28 下午12.15.21.png'),
            lang='eng'
        )
Out[50]: 
{'angle': 0, 'confidence': 19.53}

4.1.10 pyocr.tesseract.image_to_string

图像内容转字符串

5. 用法

下面沿着官方文档走一遍(以img1和img2为例)：

img1:

img2：

5.1 Initialization初始化

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
from PIL import Image
import sys
import pyocr
import pyocr.builders
# 列出可用的程序，我们这里只安装了tesseract
tools = pyocr.get_available_tools()
if len(tools) == 0:
    print("No OCR tool found")
    # 如果没有找到则退出程序
    sys.exit(1)
# The tools are returned in the recommended order of usage
tool = tools[0]
print("Will use tool '%s'" % (tool.get_name()))
# Ex: Will use tool 'tesseract'
langs = tool.get_available_languages()
print("Available languages: %s" % ", ".join(langs))
lang = langs[0]
print("Will use lang '%s'" % (lang))

5.2 Image to text

参数:
image — 先通过PIL模块打开DISK中的图片.
lang — 指定语言.
builder — 默认的builder是TextBuilder.

返回:
返回的类型随所指定的builder而不同。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
# TextBuilder用法
txt = tool.image_to_string(
    Image.open('/Users/zhangmimi/Desktop/屏幕快照 2017-03-28 下午12.15.21.png'),
    lang=lang,
    builder=pyocr.builders.TextBuilder()
)
print(txt)
# 输出的结果为字符串
# txt is a Python string
# WordBoxBuilder用法
word_boxes = tool.image_to_string(
    Image.open('/Users/zhangmimi/Desktop/屏幕快照 2017-03-28 下午12.15.21.png'),
    lang=lang,
    builder=pyocr.builders.WordBoxBuilder()
)
for elem in word_boxes:
    print(elem.content, elem.position)
# 返回的是一个list,list中的每个元素为box objects,box objects中存着box.content内容和每个词的位置box.position
# # list of box objects. For each box object:
# #   box.content is the word in the box
# #   box.position is its position on the page (in pixels)
# #
# # Beware that some OCR tools (Tesseract for instance)
# # may return empty boxes
# LineBoxBuilder用法
line_and_word_boxes = tool.image_to_string(
    Image.open('/Users/zhangmimi/Desktop/屏幕快照 2017-03-28 下午12.15.21.png'),
    lang=lang,
    builder=pyocr.builders.LineBoxBuilder()
)
# line_and_word_boxes也是list,list中的每个line objects有line.word_boxes(结构和box objects相同),line.content(每一行的内容)和位置line.position
print(len(line_and_word_boxes))
for line in line_and_word_boxes:
    for word in line.word_boxes:
        print(word.content, word.position)
    print(line.content, line.position)
# # list of line objects. For each line object:
# #   line.word_boxes is a list of word boxes (the individual words in the line)
# #   line.content is the whole text of the line
# #   line.position is the position of the whole line on the page (in pixels)
# #
# # Beware that some OCR tools (Tesseract for instance)
# # may return empty boxes
# 识别数字
# Digits - Only Tesseract (not 'libtesseract' yet !)
digits = tool.image_to_string(
    Image.open('/Users/zhangmimi/Desktop/digit_test.png'),
    lang=lang,
    builder=pyocr.builders.DigitBuilder(),
)
print(digits.replace(' ', ''))
# digits is a python string