使用Python的pytesseract库开发简易OCR图片文字识别工具

目录

• 前言
• 一、工具核心技术栈
• 二、环境搭建（关键步骤）
• 2.1 安装 Tesseract OCR 引擎
• （1）Windows 系统
• （2）macOS 系统
• （3）Linux 系统（以 Ubuntu 为例）
• 2.2 安装 Python 依赖库
• 三、核心原理：为什么需要图片预处理？
• 四、完整代码实现与详细解释
• 4.1 完整代码
• 4.2 运行效果
• 4.3 代码逐模块详解
• （1）图片预处理模块 image_preprocessing
• （2）OCR 识别模块 ocr_recognize
• （3）结果保存模块 save_result
• （4）主函数 main 与命令行参数
• 五、工具使用教程（实战演示）
• 5.1 准备测试图片
• 5.2 场景 1：识别英文图片
• 执行流程与输出：
• 5.3 场景 2：识别中文图片
• 注意：
• 5.4 场景 3：Windows 未配置环境变量时使用（补充完整）
• 六、常见问题与优化方向
• 6.1 识别准确率低？试试这些优化
• 6.2 扩展功能：支持批量识别图片
• 6.3 打包为可执行文件（方便非编程用户使用）
• 七、总结

本文详细介绍了如何用Python的pytesseract库开发简易OCR识别工具，适用于提取图片文字。首先明确核心技术栈，包括依赖底层的Tesseract OCR引擎，以及pytesseract、OpenCV-Python、Pillow、argparse等库及其作用。接着分步骤指导环境搭建，重点说明不同系统下Tesseract OCR引擎的安装与配置，以及Python依赖库的安装。还解释了图片预处理的必要性及具体步骤，以提升识别准确率。随后提供完整代码，按图片预处理、OCR识别、结果保存、命令行交互模块逐段详解，并给出多场景使用教程。同时，针对常见报错（如找不到图片、Tesseract路径问题、中文语言包缺失）提供了具体排查和解决方法，帮助用户顺利实现中英文图片的文字识别与结果保存。

在日常工作和学习中，我们经常会遇到需要将图片中的文字提取出来的场景（如扫描件、截图文字提取），手动输入不仅效率低还容易出错。OCR（Optical Character Recognition，光学字符识别）技术可以帮我们快速解决这个问题。本文将带大家从零开始，使用 Python 的 pytesseract 库开发一个简易但实用的 OCR 识别工具，支持图片文字提取、多语言识别（中英文），并提供基础的图片预处理功能以提升识别准确率。

在开始前，我们先明确实现这个 OCR 工具需要用到的技术和库，确保大家理解每个组件的作用：

库/工具	作用说明
pytesseract	Python 封装的 Tesseract OCR 引擎接口，是实现文字识别的核心库
Tesseract OCR Engine	Google 开源的 OCR 引擎（pytesseract 依赖此引擎才能运行）
OpenCV-Python	用于图片预处理（如灰度化、二值化、降噪），提升 OCR 识别准确率
Pillow (PIL)	轻量级图片处理库，用于读取图片文件、转换图片格式（与 OpenCV 互补使用）
argparse	Python 内置库，用于解析命令行参数（支持通过命令行传入图片路径、语言等）

pytesseract 不是纯 Python 库，它需要依赖底层的 Tesseract OCR 引擎，因此环境搭建分为 “引擎安装” 和 “Python 库安装” 两步，缺一不可。

根据你的操作系统选择对应的安装方式，务必记住安装路径（后续配置需要用到）：

下载安装包：访问 Tesseract 官方 GitHub Releases，下载最新的 Windows 安装包（如 tesseract-ocr-w64-setup-v5.3.3.20231005.exe）。

运行安装：

• 点击“Next”直到“Choose Components”页面，勾选“Additional language data (download)”（默认只安装英文，勾选后会下载中文等其他语言包）。
• 记住安装路径（如 C:Program FilesTesseract-OCR），后续需要配置环境变量或在代码中指定路径。

配置环境变量（可选但推荐）：

• 右键“此电脑”→“属性”→“高级系统设置”→“环境变量”。
• 在“系统变量”的“Path”中添加 Tesseract 安装路径（如 C:Program FilesTesseract-OCR）。

验证：打开 cmd，输入 tesseract --version，若显示版本信息则安装成功。

通过 Homebrew 安装（需先安装 Homebrew）：

# 安装 Tesseract 引擎（默认包含英文）
brew install tesseract
# 安装中文语言包（如需识别中文）
brew install tesseract-lang

# 安装 Tesseract 引擎
sudo apt-get install tesseract-ocr
# 安装中文语言包
sudo apt-get install tesseract-ocr-chi-sim  # 简体中文
sudo apt-get install tesseract-ocr-chi-tra  # 繁体中文

打开终端/命令行，执行以下命令安装所需的 Python 库：

pip install pytesseract opencv-python pillow argparse

• pytesseract：Python 操作 Tesseract 引擎的接口。
• opencv-python：图片预处理核心库。
• pillow：辅助读取和处理图片。
• argparse：解析命令行参数（内置库，安装其他库时会自动兼容）。

Tesseract OCR 引擎对 清晰、无噪音、高对比度 的图片识别准确率最高。如果直接识别带有背景噪音、倾斜或彩色的图片，很容易出现识别错误。因此，我们需要在识别前对图片进行预处理，常见步骤包括：

1. 灰度化：将彩色 图片转为黑白灰度图，减少颜色通道干扰（OCR 对灰度图更敏感）。
2. 二值化：将灰度图转为纯黑白图（只有 0 和 255 两个像素值），进一步提升文字与背景的对比度。
3. 降噪：去除图片中的斑点、杂色等噪音（如扫描件的黑点、截图的阴影）。
4. 倾斜矫正：若图片倾斜（如拍摄的文档），通过旋转矫正为水平方向（本文简化版暂不实现，后续可扩展）。

通过预处理，能显著提升 OCR 识别的准确率，这是从“能用”到“好用”的关键步骤。

我们将工具分为 3 个核心模块：图片预处理模块、OCR 识别模块、命令行交互模块，代码结构清晰，便于后续扩展。

创建一个名为 simple_ocr_tool.py 的文件，复制以下代码：

# 导入所需库
import pytesseract
import cv2
from PIL import Image
import argparse
import os

def image_preprocessing(image_path):
    """
    图片预处理函数：灰度化 → 二值化 → 降噪
    :param image_path: 输入图片路径（相对/绝对路径）
    :return: 预处理后的图片对象（OpenCV 格式，便于后续识别）
    """
    # 1. 读取图片（使用 OpenCV，默认读取为 BGR 格式）
    img = cv2.imread(image_path)
    if img is None:
        raise FileNotFoundError(f"错误：未找到图片文件 {image_path}，请检查路径是否正确。")
    
    # 2. 灰度化：将 BGR 格式转为灰度图（单通道）
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    print("✅ 图片灰度化完成")
    
    # 3. 二值化：使用 Otsu 阈值法（自动计算最佳阈值，适合对比度明显的图片）
    # cv2.THRESH_BINARY_INV：黑白反转（文字为白，背景为黑，提升识别率）
    # cv2.THRESH_OTSU：自动阈值，无需手动调整
    _, binary_img = cv2.threshold(
        gray_img, 
        0, 
        255, 
        cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
    )
    print("✅ 图片二值化完成")
    
    # 4. 降噪：使用高斯模糊去除小噪音（核大小 (3,3) 为经验值，可根据图片调整）
    denoised_img = cv2.GaussianBlur(binary_img, (3, 3), 0)
    print("✅ 图片降噪完成")
    
    return denoised_img

def ocr_recognize(preprocessed_img, lang='eng', tesseract_cmd=None):
    """
    OCR 识别函数：将预处理后的图片转为文字
    :param preprocessed_img: 预处理后的图片（OpenCV 格式）
    :param lang: 识别语言（默认 'eng' 英文，中文用 'chi_sim'，中英文混合用 'chi_sim+eng'）
    :param tesseract_cmd: Tesseract 引擎路径（Windows 若未配置环境变量需指定）
    :return: 识别出的文字字符串
    """
    # 1. 配置 Tesseract 引擎路径（仅 Windows 非环境变量配置时需要）
    if tesseract_cmd:
        pytesseract.pytesseract.tesseract_cmd = tesseract_cmd
    
    # 2. 将 OpenCV 格式图片（numpy array）转为 PIL 格式（pytesseract 更兼容）
    pil_img = Image.fromarray(preprocessed_img)
    
    # 3. 调用 Tesseract 进行识别
    # config 参数：--psm 6 表示将图片视为单一文本块（适合大部分场景）
    custom_config = r'--oem 3 --psm 6'  # oem 3 表示使用默认 OCR 引擎
    text = pytesseract.image_to_string(pil_img, lang=lang, config=custom_config)
    
    # 4. 清理识别结果（去除空行、多余空格）
    cleaned_text = 'n'.join([line.strip() for line in text.split('n') if line.strip()])
    
    print(f"✅ OCR 识别完成（语言：{lang}）")
    return cleaned_text

def save_result(text, output_path='ocr_result.txt'):
    """
    结果保存函数：将识别出的文字保存到本地文件
    :param text: 识别出的文字
    :param output_path: 输出文件路径（默认当前目录 ocr_result.txt）
    """
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(text)
    print(f"✅ 识别结果已保存到：{os.path.abspath(output_path)}")

def main():
    """
    主函数：解析命令行参数 → 调用预处理 → 调用 OCR 识别 → 保存结果
    """
    # 1. 解析命令行参数（让用户通过命令行传入参数，更灵活）
    parser = argparse.ArgumentParser(description="Python 简易 OCR 识别工具（基于 pytesseract）")
    
    # 必选参数：图片路径
    parser.add_argument(
        '--image', '-i', 
        required=True, 
        help='输入图片路径（如：./test.png 或 C:\images\doc.jpg）'
    )
    
    # 可选参数：识别语言（默认英文，中文用 chi_sim，中英文混合用 chi_sim+eng）
    parser.add_argument(
        '--lang', '-l', 
        default='eng', 
        help='识别语言（默认 eng 英文，中文 chi_sim，中英文混合 chi_sim+eng）'
    )
    
    # 可选参数：Tesseract 引擎路径（Windows 未配置环境变量时需指定）
    parser.add_argument(
        '--tesseract-cmd', '-t', 
        default=None, 
        help='Tesseract 引擎路径（如 Windows：C:\Program Files\Tesseract-OCR\tesseract.exe）'
    )
    
    # 可选参数：输出文件路径（默认当前目录 ocr_result.txt）
    parser.add_argument(
        '--output', '-o', 
        default='ocr_result.txt', 
        help='识别结果输出文件路径（默认 ocr_result.txt）'
    )
    
    # 解析参数
    args = parser.parse_args()
    
    try:
        # 2. 图片预处理
        print(f"📥 正在读取图片：{args.image}")
        preprocessed_img = image_preprocessing(args.image)
        
        # 3. OCR 识别
        print("🔍 正在进行 OCR 识别...")
        recognized_text = ocr_recognize(
            preprocessed_img=preprocessed_img,
            lang=args.lang,
            tesseract_cmd=args.tesseract_cmd
        )
        
        # 4. 打印识别结果
        print("n" + "="*50)
        print("📄 OCR 识别结果：")
        print("="*50)
        print(recognized_text)
        print("="*50 + "n")
        
        # 5. 保存结果
        save_result(recognized_text, args.output)
        
    except Exception as e:
        # 异常处理（如文件不存在、语言包缺失等）
        print(f"❌ 程序运行出错：{str(e)}")

# 程序入口（只有直接运行脚本时才执行 main 函数）
if __name__ == "__main__":
    main()

原图：

解析后：

该函数是提升识别准确率的核心，步骤拆解：

1. 读取图片：用 cv2.imread() 读取图片，返回 OpenCV 格式（numpy 数组，BGR 颜色通道）；若图片路径错误，抛出 FileNotFoundError 并提示用户。
2. 灰度化：用 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 将彩色 图转为灰度图（单通道），减少颜色干扰。
3. 二值化：用 cv2.threshold() 实现自动阈值二值化：
   • THRESH_BINARY_INV：黑白反转（文字变白、背景变黑），因为 Tesseract 对白色文字更敏感。
   • THRESH_OTSU：自动计算最佳阈值（无需手动调整，适合不同亮度的图片）。
4. 降噪：用 cv2.GaussianBlur() 进行高斯模糊，核大小 (3,3) 是经验值（可根据图片噪音程度调整为 (5,5)）。

该函数负责调用 Tesseract 引擎提取文字：

1. 配置引擎路径：Windows 若未配置环境变量，需通过 tesseract_cmd 参数指定 Tesseract 可执行文件路径（如 C:Program FilesTesseract-OCRtesseract.exe）。
2. 格式转换：pytesseract 对 PIL 格式图片兼容性更好，因此用 Image.fromarray() 将 OpenCV 格式（numpy 数组）转为 PIL 格式。
3. 核心识别：pytesseract.image_to_string() 是核心接口，参数说明：
   • lang：识别语言（eng 英文、chi_sim 简体中文、chi_sim+eng 中英文混合）。
   • config：额外配置，--psm 6 表示将图片视为“单一文本块”（适合大部分场景，如截图、文档扫描件）；--oem 3 表示使用默认 OCR 引擎。
4. 结果清理：用列表推导式去除识别结果中的空行和多余空格，让输出更整洁。

用 open() 函数以 UTF-8 编码（避免中文乱码）将识别结果写入文件，并用 os.path.abspath() 输出文件绝对路径，方便用户查找。

• 参数解析：用 argparse 定义 4 个参数（图片路径、语言、引擎路径、输出路径），其中 --image 是必选参数，其他为可选参数，降低用户使用门槛。
• 流程控制：按“读取图片 → 预处理 → 识别 → 打印结果 → 保存结果”的流程执行，并通过 try-except 捕获异常（如文件不存在、语言包缺失），提升程序稳定性。

我们以 Windows 系统为例，通过 3 个场景演示工具的使用（其他系统操作类似，仅路径格式不同）。

首先准备 2 张测试图片（建议放在与 simple_ocr_tool.py 同一目录下）：

1. english_test.png：英文截图（如一段英文文档）。
2. chinese_test.png：中文截图（如一段中文新闻）。

打开终端/命令行，切换到脚本所在目录，执行以下命令：

# 识别英文图片，默认输出到 ocr_result.txt
python simple_ocr_tool.py -i english_test.png -l eng

1. 程序会依次打印“灰度化 → 二值化 → 降噪”完成提示。
2. 输出识别结果（在终端显示）。
3. 保存结果到当前目录的 ocr_result.txt，并显示文件绝对路径。

若需识别中文，需确保已安装中文语言包（安装 Tesseract 时勾选了语言包），执行命令：

# 识别中文图片，输出到 chinese_result.txt
python simple_ocr_tool.py -i chinese_test.png -l chi_sim -o chinese_result.txt

• 语言参数 lang 必须为 chi_sim（简体中文）或 chi_tra（繁体中文），不可写错。
• 若提示“语言包缺失”，需重新安装 Tesseract 并勾选中文语言包（Windows）或执行 brew install tesseract-lang（macOS）。

若未配置 Tesseract 环境变量，程序无法自动找到引擎路径，需通过 --tesseract-cmd（或简写 -t）参数手动指定 Tesseract 可执行文件的完整路径，避免出现“tesseract is not installed or it’s not in your PATH”错误。

以识别中英文混合图片 mix_test.png 为例，完整命令如下（需替换为你的实际安装路径）：

# Windows 系统命令（路径含空格需用英文引号包裹）
python simple_ocr_tool.py -i mix_test.png -l chi_sim+eng -t "C:Program FilesTesseract-OCRtesseract.exe" -o mix_result.txt

• 参数说明：
  • -t "C:Program FilesTesseract-OCRtesseract.exe"：明确指定 Tesseract 引擎的 tesseract.exe 文件路径，路径中的英文引号用于处理“Program Files”中的空格（若路径无空格可省略引号，如 D:Tesseract-OCRtesseract.exe）。
  • -l chi_sim+eng：语言参数设为“简体中文+英文”，支持同时识别图片中的中英文内容（语言包需同时安装 chi_sim.traineddata 和 eng.traineddata）。
  • -o mix_result.txt：将识别结果保存到 mix_result.txt，避免覆盖默认的 ocr_result.txt。

执行命令后，程序会按“图片读取→预处理→OCR识别→结果保存”流程运行，终端会打印各步骤进度（如“✅ 图片降噪完成”“✅ OCR 识别完成（语言：chi_sim+eng）”），最终在指定路径生成结果文件。

若识别结果存在较多错字、漏字，可从以下角度优化：

1. 增强图片预处理：
   • 若图片倾斜，添加“倾斜矫正”步骤（使用 cv2.minAreaRect() 计算倾斜角度，cv2.warpAffine() 实现旋转）。
   • 若文字较细或有断裂，使用“形态学膨胀”（cv2.dilate()）增强文字轮廓。
2. 调整 Tesseract 配置参数：
   • 修改 custom_config 中的 --psm 参数（页面分割模式），例如：
     • --psm 11：适合文字分布不规则的图片（如截图中的散字）。
     • --psm 3：默认模式，适合多列文本的文档（如PDF扫描件）。
   • 添加降噪参数：--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ中文，限定识别字符范围（减少无关字符干扰）。
3. 提升图片质量：
   • 确保图片分辨率不低于 300 DPI（扫描件优先选择“高清模式”）。
   • 避免图片有模糊、阴影或反光（拍摄时尽量平整、光线均匀）。

若需要批量处理多个图片，可在代码中添加“遍历文件夹”功能，修改 main 函数中的图片读取逻辑：

# 批量识别指定文件夹下的所有图片（示例：支持 png/jpg/jpeg 格式）
def batch_ocr(folder_path, lang='chi_sim', output_dir='ocr_batch_results'):
    # 创建输出文件夹
    os.makedirs(output_dir, exist_ok=True)
    # 遍历文件夹中的图片
    for filename in os.listdir(folder_path):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            image_path = os.path.join(folder_path, filename)
            print(f"n📥 正在处理图片：{filename}")
            try:
                # 预处理 + 识别
                preprocessed_img = image_preprocessing(image_path)
                recognized_text = ocr_recognize(preprocessed_img, lang=lang)
                # 保存结果（以图片名命名结果文件）
                output_path = os.path.join(output_dir, f"{os.path.splitext(filename)[0]}.txt")
                save_result(recognized_text, output_path)
            except Exception as e:
                print(f"❌ 处理 {filename} 失败：{str(e)}")

使用时只需在 main 函数中调用 batch_ocr(r'C:your_image_folder')，即可批量处理文件夹下所有图片并生成对应结果文件。

若需将工具分享给不懂Python的用户，可使用 pyinstaller 打包为 .exe 文件（Windows）：

1. 安装打包工具：pip install pyinstaller。
2. 执行打包命令（在脚本所在目录）：

pyinstaller -F -i ocr_icon.ico simple_ocr_tool.py

• -F：打包为单个可执行文件（方便携带）。
• -i ocr_icon.ico：可选参数，为.exe文件添加图标（需提前准备.ico格式图标文件）。

1. 打包完成后，可执行文件会生成在 dist 文件夹中，用户双击运行后，通过命令行参数即可使用（操作同之前的命令）。

本文从零开始构建了一个基于 pytesseract 的简易 OCR 工具，核心亮点包括：

1. 实用性：支持中英文识别、结果保存，解决日常图片文字提取需求。
2. 可扩展性：代码模块化设计，可轻松添加批量识别、倾斜矫正、GUI界面（如用 tkinter 或 PyQt）等功能。
3. 问题导向：针对环境配置、路径错误、语言包缺失等常见问题提供了详细解决方案，降低使用门槛。

通过本实战，不仅能掌握 OCR 工具的开发流程，还能理解图片预处理对识别准确率的影响，为后续更复杂的计算机视觉任务（如表格识别、验证码识别）打下基础。

以上就是使用Python的pytesseract库开发简易OCR图片文字识别工具的详细内容，更多关于Python OCR图片文字识别的资料请关注风君子博客其它相关文章！

您可能感兴趣的文章:

• Python中图片与PDF识别文本(OCR)的全面指南
• Python中图片与pdf识别文本的方法总结(OCR)
• Python基于微信OCR引擎实现高效图片文字识别
• 使用Python实现pdf转图片再进行OCR识别