cnocr和tesseract的使用方法和效果

今天嘗試了一下cnocr和tesseract，給大家分別講講兩個(gè)模塊的使用方法和效果。

1.準(zhǔn)備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上噢，如果沒有，請(qǐng)?jiān)L問這篇文章：超詳細(xì)Python安裝指南 進(jìn)行安裝。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

Windows環(huán)境下打開Cmd(開始—運(yùn)行—CMD)，蘋果系統(tǒng)環(huán)境下請(qǐng)打開Terminal(command+空格輸入Terminal)，準(zhǔn)備開始輸入命令安裝依賴。

當(dāng)然，我更推薦大家用VSCode編輯器，把本文代碼Copy下來，在編輯器下方的終端運(yùn)行命令安裝依賴模塊，多舒服的一件事?。?a href="http://wenjunhu.com/outside?redirect=http://mp.weixin.qq.com/s?__biz=MzI3MzM0ODU4Mg==&mid=2247485849&idx=1&sn=ec098cf67a55bd1d61d4513397434c94&chksm=eb25eb10dc52620682db716d206c18b00bd53c01743729a9dea381e1791566a04a06f1fabca5&scene=21#wechat_redirect" target="_blank">Python 編程的最好搭檔—VSCode 詳細(xì)指南。

在終端輸入以下命令安裝我們所需要的依賴模塊:

pip install cnocr

看到 Successfully installed xxx 則說明安裝成功。

如果你只想使用cnocr，那么只需要安裝上述的cnocr包即可。如果你想試試其他語言的OCR識(shí)別，Tesseract 是更好的選擇。

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. Tesseract 在macOS下可以使用brew安裝：

brew install tesseract

Windows下安裝tesseract則相對(duì)復(fù)雜。

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

你可以在Python實(shí)用寶典公眾號(hào)后臺(tái)回復(fù)：**tesseract **打包下載。

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

并將訓(xùn)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(shí)別圖片的中文

cnocr 主要針對(duì)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(fù)雜的文字排版定位。

盡管它分別提供了單行識(shí)別函數(shù)和多行識(shí)別函數(shù)，但在本人實(shí)測下，單行識(shí)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(shí)別不出來。

不過多行識(shí)別函數(shù)還不錯(cuò)，使用該函數(shù)識(shí)別的代碼如下：

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

圖片版代碼：

用于識(shí)別這個(gè)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(cuò)了。

3.pytesseract 識(shí)別圖片的英文

如果你的OCR目的不是中文而是英文，是需要?jiǎng)e的模型的。這里給大家分享Tesseract-OCR，它是一款由HP實(shí)驗(yàn)室開發(fā)，由Google維護(hù)的開源OCR引擎。

Tesseract-OCR 可擴(kuò)展性很強(qiáng)，你可以基于它訓(xùn)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('test2.png')
code = pytesseract.image_to_string(image, lang='eng')
print(code)

圖片版代碼：

識(shí)別的圖片：

效果如下：

英文效果真的很不錯(cuò)，不過官方預(yù)訓(xùn)練好的中文模型效果就比較一般了。

如果你想試試Tesseract識(shí)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。