Python OCR实战：图片文字识别提取从入门到精通

1. 为什么图片文字提取值得用Python来做日常工作中总会碰到这样的场景同事发来一张截图里面是一段会议纪要或者数据表格需要把文字抠出来编辑扫描版PDF里的合同条款想复制引用结果发现是图片格式甚至有时候拍了一张书页照片想把内容整理成电子笔记。手动敲字几十个字还行几百上千字就是纯折磨。这时候OCR光学字符识别就是刚需。Python在OCR这块的优势非常明显。它本身语法简洁生态里又有好几个成熟的OCR库可以直接调用不需要你从零去研究图像处理和字符识别算法。我见过不少非科班出身的朋友花一个下午就能跑通一个可用的图片文字提取脚本这在其他语言里不太容易做到。这篇文章面向的就是想快速上手OCR的Python初学者以及需要把OCR集成到自己工作流里的开发者。我会从环境搭建讲到代码实现再到实际踩过的坑尽量把每个环节说透。核心关键词就三个Python、OCR、识别提取图片文字。围绕这三个词我会把整个流程拆成可复现的步骤你跟着做就能跑起来。2. 环境准备与工具选型2.1 Python安装与虚拟环境配置先说Python本身的安装。Windows用户直接去Python官网下载安装包安装时务必勾选“Add Python to PATH”这一步漏了后面在命令行里调python会提示找不到命令。macOS用户如果用Homebrewbrew install python一行搞定。Linux发行版通常自带Python但版本可能偏旧建议用pyenv管理多版本。安装完成后验证一下python --version pip --version能正常输出版本号就说明基础环境没问题。接下来我强烈建议用虚拟环境隔离项目依赖不然不同项目之间的库版本冲突会让你很头疼python -m venv ocr_env # Windows ocr_env\Scripts\activate # macOS/Linux source ocr_env/bin/activate激活后命令行前面会出现(ocr_env)的标识说明你已经在这个独立环境里了。这一步看着简单但我见过太多人跳过它最后因为numpy版本冲突排查半天。2.2 OCR引擎选型Tesseract还是PaddleOCRPython生态里做OCR主流方案有两个方向一是基于Tesseract的封装库pytesseract二是国产的PaddleOCR。Tesseract是老牌开源OCR引擎由Google维护支持100多种语言安装包小离线运行没压力。它的短板是对中文的识别精度在复杂场景下一般尤其是字体花哨或者背景杂乱的图片。PaddleOCR是百度飞桨团队做的中文识别效果明显更好支持检测识别方向分类的完整流程模型也一直在更新。代价是安装包比较大首次运行需要下载模型文件。我的建议是如果主要处理英文文档或者印刷体清晰的图片Tesseract够用且轻量如果中文场景多、图片质量参差不齐直接上PaddleOCR省得后面反复调参。Tesseract的安装稍微麻烦一点。Windows用户去UB-Mannheim提供的安装包下载exe安装时记住路径默认是C:\Program Files\Tesseract-OCR装完后要把这个路径加到系统环境变量PATH里。macOS用brew install tesseract如果要识别中文还需要额外装语言包brew install tesseract-lang。Linux用apt或yum安装tesseract-ocr和对应的语言包。安装完验证tesseract --version tesseract --list-langs第二条命令会列出已安装的语言包确认里面有chi_sim简体中文才行。Python层面的依赖安装pip install pytesseract pip install Pillow pip install opencv-pythonPillow用于图像读取和基本处理opencv-python用于更复杂的图像预处理操作。如果你选PaddleOCRpip install paddlepaddle pip install paddleocrpaddlepaddle是飞桨框架本身paddleocr是OCR工具库。CPU版本就够用了除非你要批量处理大量图片才需要考虑GPU版本。2.3 开发工具的选择编辑器这块VS Code加Python插件是最通用的组合。装好插件后按CtrlShiftP输入“Python: Select Interpreter”选中你刚才创建的虚拟环境。这样代码补全、调试、运行都能在编辑器里完成。PyCharm也是好选择社区版免费对虚拟环境的识别和管理更自动化。选哪个看个人习惯不影响代码本身。3. 核心代码实现从一张图片到可编辑文字3.1 最简实现五行代码跑通OCR先用pytesseract写一个最小可运行版本让你快速看到效果import pytesseract from PIL import Image # 如果Tesseract不在系统PATH里需要手动指定路径 # pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe img Image.open(test.png) text pytesseract.image_to_string(img, langchi_sim) print(text)就这五行一张图片的文字就提取出来了。langchi_sim指定用简体中文模型如果只识别英文可以省略这个参数。第一次跑可能会报错说找不到tesseract命令那就是PATH没配好用注释里那行代码手动指定路径即可。实测下来对于白底黑字的清晰截图这个最简版本的识别率能到95%以上。但一旦图片有倾斜、噪点、或者文字颜色和背景对比度不够效果就会明显下降。所以接下来的图像预处理才是真正拉开差距的地方。3.2 图像预处理让识别率从60%到95%图像预处理的目的很简单把图片变成OCR引擎最喜欢的样子——黑白分明、文字水平、没有干扰。我用OpenCV来做这几步操作。第一步是灰度化。彩色信息对文字识别没有帮助反而增加计算量import cv2 img cv2.imread(test.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)第二步是二值化。把灰度图变成只有黑白两色的图文字和背景彻底分离。这里用自适应阈值比固定阈值效果好因为它能处理光照不均匀的情况binary cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2 )参数解释一下255是最大值白色ADAPTIVE_THRESH_GAUSSIAN_C表示用高斯加权计算阈值THRESH_BINARY是二值化类型11是邻域块大小必须是奇数2是从计算结果中减去的常数。块大小和常数需要根据图片分辨率调整图片越大块大小应该适当增大。第三步是降噪。扫描件或者手机拍的图片往往有噪点用中值滤波去掉denoised cv2.medianBlur(binary, 3)第四步是倾斜校正。如果图片拍歪了OCR的识别率会断崖式下跌。通过检测文字区域的最小外接矩形来计算倾斜角度coords cv2.findNonZero(255 - denoised) angle cv2.minAreaRect(coords)[-1] if angle -45: angle 90 angle else: angle -angle (h, w) denoised.shape[:2] center (w // 2, h // 2) M cv2.getRotationMatrix2D(center, angle, 1.0) rotated cv2.warpAffine(denoised, M, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)这段代码的逻辑是找到所有非零像素点也就是文字计算它们的最小外接矩形从矩形的角度推算出倾斜角然后反向旋转校正。borderModecv2.BORDER_REPLICATE表示旋转后边缘用复制像素填充避免出现黑边影响识别。把预处理后的图片传给pytesseracttext pytesseract.image_to_string(rotated, langchi_sim)我做过对比测试同一张手机拍摄的文档照片不做预处理直接识别准确率大概60%左右走完灰度、二值化、降噪、校正四步之后准确率能稳定在90%以上。这个提升幅度值得你多写这十几行代码。3.3 PaddleOCR方案中文场景的更优解如果你不想折腾预处理或者中文识别需求占主导PaddleOCR是更省心的选择。它的模型本身对复杂场景的鲁棒性更强而且自带文字检测功能能自动定位图片中文字的位置。基础用法from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(test.png, clsTrue) for line in result[0]: print(line[1][0])use_angle_clsTrue开启方向分类能自动处理旋转的文字。langch指定中文模型。返回的result是一个嵌套列表每个元素包含文本框坐标、识别文字和置信度。line[1][0]就是识别出来的文字内容。PaddleOCR首次运行会自动下载模型文件大概几十兆之后就可以离线使用了。如果你在无网络环境部署需要提前把模型下载好放到指定目录具体路径可以查官方文档。对比一下两个方案的实际表现对比维度Tesseract pytesseractPaddleOCR中文识别精度印刷体良好复杂场景一般优秀复杂场景稳定英文识别精度优秀良好安装复杂度需要单独安装引擎pip直接安装首次运行即时需下载模型离线使用完全支持下载模型后支持文字检测不支持需自行裁剪自带检测资源占用低中等我的实际经验是处理标准印刷文档两者差距不大处理手机拍摄的发票、菜单、路牌这类图片PaddleOCR的优势非常明显。所以如果你的场景比较杂直接上PaddleOCR省事。3.4 批量处理与结果导出单张图片识别只是起点实际工作中往往是几十上百张图片要处理。写个批量脚本import os from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) input_dir ./images output_file ./results.txt with open(output_file, w, encodingutf-8) as f: for filename in sorted(os.listdir(input_dir)): if not filename.lower().endswith((.png, .jpg, .jpeg, .bmp)): continue filepath os.path.join(input_dir, filename) result ocr.ocr(filepath, clsTrue) f.write(f {filename} \n) if result[0]: for line in result[0]: f.write(line[1][0] \n) f.write(\n) print(f已处理: {filename})这个脚本会遍历指定目录下所有图片文件逐张识别把结果按文件名分组写入一个文本文件。sorted()保证处理顺序一致方便对照。如果你需要导出成Excel可以用openpyxl库把结果写进表格每行包含文件名、文字内容、置信度。处理大量图片时有个优化点PaddleOCR的初始化比较耗时所以ocr对象要在循环外面创建一次循环里面只调ocr.ocr()。我见过有人在循环里反复创建PaddleOCR实例速度慢了十几倍。4. 实战中踩过的坑与解决方案4.1 中文识别乱码或漏字这是最常见的问题。原因通常有三个语言包没装对、图片分辨率太低、预处理参数不合适。语言包问题最好排查运行tesseract --list-langs确认chi_sim在列表里。如果不在Windows重新运行安装包勾选中文语言Linux用包管理器安装tesseract-ocr-chi-sim。分辨率问题容易被忽略。Tesseract对文字高度的要求是至少20像素低于这个值识别率急剧下降。如果你的图片文字很小先用OpenCV放大scale_percent 200 width int(img.shape[1] * scale_percent / 100) height int(img.shape[0] * scale_percent / 100) dim (width, height) enlarged cv2.resize(img, dim, interpolationcv2.INTER_CUBIC)放大两倍再识别效果往往立竿见影。但也不能无限放大超过400%之后收益递减还拖慢速度。预处理参数方面自适应阈值的块大小和常数需要根据图片调整。块大小太小会保留噪点太大会丢失笔画细节。我的经验是图片宽度在1000像素左右时块大小设11到15比较合适宽度超过2000像素块大小可以设到21以上。常数一般设2到10之间值越大二值化越激进文字越粗但可能断笔。4.2 Tesseract找不到命令或语言包Windows上最典型的表现是FileNotFoundError: [WinError 2] 系统找不到指定的文件。这说明Python找不到tesseract.exe。解决方法是在代码开头显式指定路径pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe注意路径要用原始字符串前面加r否则反斜杠会被当成转义字符。另一个相关问题是TesseractError: (1, Error opening data file ... chi_sim.traineddata)。这说明语言包文件不在Tesseract的tessdata目录下。去Tesseract的GitHub仓库下载对应的traineddata文件放到Tesseract-OCR/tessdata/目录里即可。4.3 PaddleOCR首次运行卡住或报网络错误PaddleOCR首次运行需要下载模型如果网络环境不稳定会卡住。解决办法是手动下载模型文件。官方文档里有模型下载地址下载后解压到~/.paddleocr/目录下对应的文件夹里。具体路径结构是~/.paddleocr/whl/det/ch/放检测模型~/.paddleocr/whl/rec/ch/放识别模型~/.paddleocr/whl/cls/放方向分类模型。如果你在公司内网或者离线环境部署这一步是必须的。提前在有网络的机器上跑一次把~/.paddleocr/整个目录拷贝过去就行。4.4 识别结果包含多余空行和特殊字符OCR引擎有时候会把图片中的线条、边框识别成奇怪的字符或者产生大量空行。后处理可以清理这些问题import re def clean_text(text): # 去掉首尾空白 text text.strip() # 把连续多个空行合并成一个 text re.sub(r\n{3,}, \n\n, text) # 去掉常见的误识别字符 text re.sub(r[|\[\]{}~], , text) # 去掉行首行尾的单个特殊符号 lines [line.strip( -_*#) for line in text.split(\n)] return \n.join(lines)这个清理函数不是万能的但能解决大部分格式问题。你可以根据自己图片的特点调整正则表达式。比如处理表格截图时竖线|可能是表格边框被误识别去掉就好但如果是代码截图竖线可能是有效字符就不能去。4.5 常见问题速查表问题现象可能原因解决方法提示找不到tesseractPATH未配置代码中指定tesseract_cmd路径中文识别为乱码未安装中文语言包安装chi_sim语言包识别结果为空图片分辨率过低放大图片至文字高度≥20像素识别率低图片倾斜或有噪点灰度化二值化降噪倾斜校正PaddleOCR卡住模型下载失败手动下载模型放到指定目录识别速度慢循环内重复初始化把OCR对象创建移到循环外结果有多余字符图片中有线条干扰后处理正则清理5. 进阶技巧与性能优化5.1 指定识别区域减少干扰有时候图片中只有特定区域需要识别其他部分都是无关内容。比如身份证照片你只需要识别号码区域。这时候可以先裁剪# 裁剪区域x, y, width, height roi img[100:200, 300:600] text pytesseract.image_to_string(roi, langchi_sim)裁剪坐标需要你先用图像查看工具确认。OpenCV的imshow可以交互式查看图片但需要配合waitKey使用。更简单的方法是用系统自带的画图工具打开图片鼠标移到目标区域左上角和右下角记下坐标。PaddleOCR也支持指定检测区域通过det_limit_side_len参数控制输入图片的缩放尺寸间接影响检测范围。不过更直接的方式还是先裁剪再识别。5.2 多语言混合识别有些文档中英文混排Tesseract可以同时加载多个语言包text pytesseract.image_to_string(img, langchi_simeng)用加号连接语言代码即可。但要注意加载的语言越多识别速度越慢而且可能增加混淆的概率。如果英文占比很少单独用中文模型也能识别出大部分英文字符只是准确率略低。PaddleOCR的多语言支持是通过切换lang参数实现的目前不支持同时加载多个语言。中英文混排场景下langch的模型本身就能识别英文效果还不错。5.3 处理PDF文件中的扫描页PDF里的扫描页本质上就是嵌入的图片。用pdf2image库可以把PDF每页转成图片再识别from pdf2image import convert_from_path pages convert_from_path(scanned.pdf, dpi300) for i, page in enumerate(pages): page.save(fpage_{i}.png, PNG)dpi300保证转换出来的图片分辨率足够OCR使用。低于200dpi的话文字可能模糊高于400dpi则文件太大处理慢。300是个比较平衡的值。Windows上pdf2image需要poppler工具去GitHub下载poppler的Windows版本解压后把bin目录加到PATH里。macOS用brew install popplerLinux用apt install poppler-utils。5.4 性能优化从每分钟10张到每分钟100张批量处理时性能瓶颈通常在两个地方图片I/O和OCR计算。优化思路如下第一图片读取用OpenCV代替Pillow。OpenCV的imread底层是C实现比Pillow快不少。而且OpenCV读进来就是numpy数组后续预处理不需要转换。第二预处理操作尽量用OpenCV的向量化操作避免Python循环。比如逐像素处理改成cv2.threshold或cv2.adaptiveThreshold。第三如果图片数量很大考虑用多进程。Python的GIL限制了多线程的并行计算能力但多进程可以绕过这个限制from multiprocessing import Pool def process_image(filepath): # OCR处理逻辑 return result with Pool(processes4) as pool: results pool.map(process_image, image_files)进程数设为CPU核心数即可设太多反而因为进程切换开销导致速度下降。第四PaddleOCR可以通过设置use_gpuTrue启用GPU加速但需要安装GPU版本的paddlepaddle和对应的CUDA环境。如果只是偶尔处理几十张图片CPU版本足够了。我实测过一组数据100张A4大小的文档图片不做任何优化单进程处理大概需要8分钟经过图片读取优化多进程4进程之后降到1分半左右。提升还是很明显的。5.5 识别置信度过滤PaddleOCR返回的结果包含置信度分数可以用来过滤低质量识别for line in result[0]: text line[1][0] confidence line[1][1] if confidence 0.8: print(text) else: print(f[低置信度: {confidence:.2f}] {text})置信度低于0.8的结果建议人工复核。这个阈值可以根据实际需求调整要求严格就设0.9宽松就设0.6。Tesseract没有直接返回置信度但可以用image_to_data方法获取每个词的置信度信息。6. 几个实际应用场景的完整方案6.1 截图文字提取小工具做一个带图形界面的截图OCR工具用tkinter就够了import tkinter as tk from tkinter import filedialog from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) def select_and_ocr(): filepath filedialog.askopenfilename( filetypes[(图片, *.png *.jpg *.jpeg *.bmp)] ) if not filepath: return result ocr.ocr(filepath, clsTrue) text_area.delete(1.0, tk.END) if result[0]: for line in result[0]: text_area.insert(tk.END, line[1][0] \n) root tk.Tk() root.title(图片文字提取) root.geometry(600x400) btn tk.Button(root, text选择图片, commandselect_and_ocr) btn.pack(pady10) text_area tk.Text(root, wraptk.WORD) text_area.pack(filltk.BOTH, expandTrue, padx10, pady10) root.mainloop()这个工具运行后是一个窗口点按钮选图片识别结果直接显示在文本框里可以复制粘贴。代码不到30行但实用性很强。你可以用pyinstaller打包成exe发给同事用pyinstaller --onefile --windowed ocr_tool.py--onefile打包成单个文件--windowed运行时不显示命令行窗口。打包后的exe文件会比较大因为包含了PaddleOCR的模型但胜在方便分发。6.2 发票信息批量提取发票识别是OCR的经典应用。思路是先识别全部文字再用正则表达式提取关键字段import re def extract_invoice_info(text): info {} # 发票号码 match re.search(r发票号码[:]\s*(\d), text) if match: info[invoice_number] match.group(1) # 开票日期 match re.search(r(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日, text) if match: info[date] f{match.group(1)}-{match.group(2).zfill(2)}-{match.group(3).zfill(2)} # 金额 match re.search(r[¥]\s*([\d,]\.?\d*), text) if match: info[amount] match.group(1).replace(,, ) return info正则表达式需要根据实际发票的排版调整。不同地区、不同行业的发票格式有差异建议先收集一批样本观察文字排列规律再写规则。识别不准的字段可以结合置信度做二次校验。6.3 纸质文档电子化归档把一摞纸质文档扫描成PDF后用OCR提取文字建立全文索引。流程是扫描仪输出PDF → pdf2image转图片 → 逐页OCR → 结果存入数据库或搜索引擎。这样以后找文档就不用一页页翻了直接搜关键词就能定位到具体文件。这个方案的关键是建立文件名和内容的对应关系。建议在扫描时就按规范命名文件比如2024-01-15_合同_甲方名称.pdfOCR结果和文件名一起入库。搜索时既能按文件名筛选也能按内容全文检索。7. 关于OCR精度的一些个人体会做了这么多OCR相关的项目我最大的感受是没有万能参数只有针对场景调优。同一套预处理参数在扫描件上效果很好换到手机拍摄的图片上可能就一塌糊涂。所以不要指望找到一个“最佳配置”就一劳永逸而是要根据图片特点灵活调整。另一个体会是预处理比换引擎更重要。我见过很多人抱怨Tesseract中文识别差但给他们看预处理后的效果识别率其实和PaddleOCR差不多。图像质量才是决定OCR上限的因素引擎只是逼近这个上限。花时间把图片处理好比反复换库换模型有效得多。最后说一个容易被忽略的点后处理同样重要。OCR出来的原始结果往往有各种格式问题直接使用体验很差。加一段清理逻辑去掉多余空行、修正常见误识别、统一标点符号最终输出的质量会有质的提升。这部分工作不复杂但很多人懒得做结果就是“能用但不好用”。如果你刚开始接触OCR建议从Tesseract的最简实现入手先跑通流程建立信心再逐步加入预处理和后处理。等遇到中文识别瓶颈了再切换到PaddleOCR。这个学习路径比较平滑不会一上来就被复杂的环境配置劝退。