pytesseract 0.3.13

用法

快速入门

注意：测试图像位于Git仓库的tests/data文件夹中。

库使用

from PIL import Image

import pytesseract

# If you don't have tesseract executable in your PATH, include the following:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract'

# Simple image to string
print(pytesseract.image_to_string(Image.open('test.png')))

# In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png'))

# List of available languages
print(pytesseract.get_languages(config=''))

# French text image to string
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

# Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt'))

# Timeout/terminate the tesseract job after a period of time
try:
    print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds
    print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error:
    # Tesseract processing is terminated
    pass

# Get bounding box estimates
print(pytesseract.image_to_boxes(Image.open('test.png')))

# Get verbose data including boxes, confidences, line and page numbers
print(pytesseract.image_to_data(Image.open('test.png')))

# Get information about orientation and script detection
print(pytesseract.image_to_osd(Image.open('test.png')))

# Get a searchable PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f:
    f.write(pdf) # pdf type is bytes by default

# Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr')

# Get ALTO XML output
xml = pytesseract.image_to_alto_xml('test.png')

# getting multiple types of output with one call to save compute time
# currently supports mix and match of the following: txt, pdf, hocr, box, tsv
text, boxes = pytesseract.run_and_get_multiple_output('test.png', extensions=['txt', 'box'])

支持OpenCV图像/NumPy数组对象

import cv2

img_cv = cv2.imread(r'/<path_to_image>/digits.png')

# By default OpenCV stores images in BGR format and since pytesseract assumes RGB format,
# we need to convert from BGR to RGB format/mode:
img_rgb = cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB)
print(pytesseract.image_to_string(img_rgb))
# OR
img_rgb = Image.frombytes('RGB', img_cv.shape[:2], img_cv, 'raw', 'BGR', 0, 0)
print(pytesseract.image_to_string(img_rgb))

如果您需要自定义配置，如oem/psm，请使用config关键字。

# Example of adding any additional options
custom_oem_psm_config = r'--oem 3 --psm 6'
pytesseract.image_to_string(image, config=custom_oem_psm_config)

# Example of using pre-defined tesseract config file with options
cfg_filename = 'words'
pytesseract.run_and_get_output(image, extension='txt', config=cfg_filename)

如果您遇到类似“无法打开数据文件…”的错误，请添加以下配置：

# Example config: r'--tessdata-dir "C:\Program Files (x86)\Tesseract-OCR\tessdata"'
# It's important to add double quotes around the dir path.
tessdata_dir_config = r'--tessdata-dir "<replace_with_your_tessdata_dir_path>"'
pytesseract.image_to_string(image, lang='chi_sim', config=tessdata_dir_config)

函数

• get_languages 返回Tesseract OCR当前支持的所有语言。

• get_tesseract_version 返回系统中安装的Tesseract版本。

• image_to_string 返回Tesseract OCR处理后的未修改输出字符串

• image_to_boxes 返回包含识别出的字符及其边界框的结果

• image_to_data 返回包含边界框、置信度和其他信息的结果。需要 Tesseract 3.05+。更多信息，请查看 Tesseract TSV 文档

• image_to_osd 返回包含方向和脚本检测信息的结果。

• image_to_alto_xml 返回以 Tesseract 的 ALTO XML 格式呈现的结果。

• run_and_get_output 返回 Tesseract OCR 的原始输出。提供对发送给 tesseract 的参数的更多控制。

• run_and_get_multiple_output 返回类似于 run_and_get_output，但可以处理多个扩展。此函数将 extension: str 关键字参数替换为 extension: List[str] 关键字参数，其中可以指定扩展列表，并在单个 tesseract 调用后返回对应的数据。此函数在需要多个输出格式（如文本和边界框）时，可以减少对 tesseract 的调用次数。

参数

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING, timeout=0, pandas_config=None)

• image 对象或字符串 - 无论是 PIL Image、NumPy 数组还是要由 Tesseract 处理的图像的文件路径。如果您传递对象而不是文件路径，pytesseract 将隐式地将图像转换为 RGB 模式。

• lang 字符串 - Tesseract 语言代码字符串。如果未指定，则默认为 eng！对于多语言示例：lang='eng+fra'

• config 字符串 - 任何不在 pytesseract 函数中可用的 附加自定义配置标志。例如：config='--psm 6'

• nice 整数 - 修改 Tesseract 运行的处理器优先级。在 Windows 上不受支持。Nice 调整类似 Unix 的进程的优先级。

• output_type 类属性 - 指定输出类型，默认为 字符串。有关所有支持类型的完整列表，请参阅 pytesseract.Output 类的定义。

• timeout 整数或浮点数 - OCR 处理的持续时间（以秒为单位），在此之后，pytesseract 将终止并引发 RuntimeError。

• pandas_config 字典 - 仅适用于 Output.DATAFRAME 类型。包含用于 pandas.read_csv 的自定义参数的字典。允许您自定义 image_to_data 的输出。

CLI 使用

pytesseract [-l lang] image_file

安装

先决条件

• Python-tesseract 需要 Python 3.6+

• 您将需要 Python Imaging Library (PIL)（或 Pillow 分支）。请查看 Pillow 文档 了解 Pillow 的基本安装。

• 安装 Google Tesseract OCR（有关如何在 Linux、Mac OSX 和 Windows 上安装引擎的更多信息）。您必须能够以 tesseract 的形式调用 tesseract 命令。如果不是这种情况，例如因为 tesseract 不在您的 PATH 中，您必须更改 pytesseract.pytesseract.tesseract_cmd 的“tesseract_cmd”变量。在 Debian/Ubuntu 上，您可以使用 tesseract-ocr 包。对于 Mac OS 用户，请安装 homebrew 包 tesseract。

  注意：在某些罕见情况下，您可能还需要从 tesseract-ocr/tessconfigs 安装 tessconfigs 和 configs，如果特定的操作系统包不包括它们。

有关更多信息，请查看 pytesseract 软件包页面。

pip install pytesseract

pip install -U git+https://github.com/madmaze/pytesseract.git

git clone https://github.com/madmaze/pytesseract.git
cd pytesseract && pip install -U .

conda install -c conda-forge pytesseract

测试

要运行此项目的测试套件，请安装并运行 tox。请确保您已安装 tesseract 并将其添加到您的 PATH 中。

pip install tox
tox

许可证

请检查 Python-tesseract 仓库/发行版中包含的许可证文件。截至 Python-tesseract 0.3.1，许可证为 Apache License Version 2.0。

贡献者

• 最初由 Samuel Hoffstaetter 编写。

• 贡献者完整列表