OCR 是光學字符識別（英語：Optical Character Recognition，OCR）是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。

很早之前就有同學在公眾號后臺回復希望出一篇 OCR 相關的文章，今天嘗試了一下 cnocr 和 tesseract 兩個 Python 開源識別工具的效果，給大家分別講講兩個工具的使用方法和對比效果。

1.準備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，如果沒有，可以訪問這篇文章：超詳細Python安裝指南 進行安裝。

(可選1) 如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda，它內(nèi)置了Python和pip.

(可選2) 此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點：Python 編程的最好搭檔—VSCode 詳細指南。

請選擇以下任一種方式輸入命令安裝依賴 ：

1. Windows 環(huán)境 打開 Cmd (開始-運行-CMD)。
2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

（選擇一）安裝 cnocr：

pip install cnocr

看到 Successfully installed xxx 則說明安裝成功。

如果你只想對圖片中的中文進行識別，那么 cnocr 是一個不錯的選擇，你只需要安裝 cnocr 包即可。

但如果你想試試其他語言的OCR識別，Tesseract 是更好的選擇。

（選擇二）安裝 pytesseract：

首先，無論是Windows還是macOS，你都需要安裝 pytesseract:

pip install pytesseract

其次，還需要安裝Tesseract.

（macOS） Tesseract 在macOS下可以使用brew安裝：

brew install tesseract

非常方便，一條命令即可完成安裝。

（Windows ）**** 安裝Tesseract

需要先下載安裝tesseract的程序，然后下載中文簡體字預訓練好的模型包（盡管本教程不會用tesseract，但還是給大家提供了）。

下載完成后，將 tesseract-ocr-setup-4.00.00dev.exe 安裝到 Tesseract-OCR 指定目錄下，復制該目錄路徑增加到Path中：

并將訓練好的模型文件 chi_sim.traineddata 放入該目錄中，這樣安裝就完成了。

2.cnocr 識別圖片的中文

cnocr 主要針對的是排版簡單的印刷體文字圖片，如截圖圖片，掃描件等。目前內(nèi)置的文字檢測和分行模塊無法處理復雜的文字排版定位。

盡管它分別提供了單行識別函數(shù)和多行識別函數(shù)，但在本人實測下，單行識別函數(shù)的效果非常糟糕，或者說要求的條件十分苛刻，基本上連截圖的文字都識別不出來。

不過多行識別函數(shù)還不錯，使用該函數(shù)識別的代碼如下：

from cnocr import CnOcr
ocr = CnOcr()
res = ocr.ocr('test.png')
print("Predicted Chars:", res)

用于識別這個圖片里的文字：

效果如下：

如果不是很吹毛求疵，這樣的效果已經(jīng)很不錯了。

3.pytesseract 識別圖片的英文

如果你的OCR目的不是中文而是英文，是需要別的模型的。這里給大家分享Tesseract-OCR，它是一款由HP實驗室開發(fā)，由Google維護的開源OCR引擎。

Tesseract-OCR 可擴展性很強，你可以基于它訓練屬于自己的OCR模型。

現(xiàn)在給大家看看它分類英文的效果，代碼如下：

import pytesseract
from PIL import Image

image = Image.open('test.png')
code = pytesseract.image_to_string(image, lang='eng')
print(code)

識別的圖片：

效果如下：

Tesseract 識別英文的效果真的很不錯，中文效果就比較一般了。

如果你想試試Tesseract識別中文，只需要將代碼中的eng改為chi_sim即可，不過相信我，效果不忍直視。