基于 EasyOCR + HanLp 实现图片文字实体（中文姓名机构名地域名）识别

Posted 2022-12-16 小毕超

一、EasyOCR + HanLp

EasyOCR 是一个python版的文字识别工具。目前支持80中语言的识别。并且支持：图像预处理（去噪、色彩饱和度、尖锐处理)、CRAFT文字检测、中间处理（倾斜处理等）、文字识别、后续处理、输出结果。框架如下：

HanLP 是一系列模型与算法组成的NLP工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。内部算法经过工业界和学术界考验，配套书籍《自然语言处理入门》已经出版。目前，基于深度学习的HanLP 2.x已正式发布，次世代最先进的NLP技术，支持包括简繁中英日俄法德在内的104种语言上的联合任务。

下面采用 EasyOCR 提取出文本中的文字，利用 HanLP 分析出文本中的 中文姓名、机构名、地域名 等信息。

二、环境准备

python环境：3.6

安装 EasyOCR ：

pip install easyocr

安装好依赖，执行检测如果模型不存在会自动下载模型，不过下载时间很长容易失败，可以去官方网站中下载文本检测模型和文本分析模型：

https://www.jaided.ai/easyocr/modelhub/

下载文本识别模型：

下载文本检测模型：

下载后解压放到项目的 model 目录下：

安装 HanLp

pip install pyhanlp

HanLp 的模型如果不存在也会自动下载，这个下载速度较快。

三、图片文字实体识别

下面是我准备的图片，其中姓名、机构名、地域名，还有一些干扰文字

编写识别程序：

import easyocr
from pyhanlp import HanLP
from PIL import Image, ImageDraw

def recognize():
    # 加载 easyocr 模型，并制定语种
    reader = easyocr.Reader(['ch_sim', 'en'], model_storage_directory='model')
    # 图片位置
    imgPath = 'img/1.jpeg'
    # 识别图片中的文字
    result = reader.readtext(imgPath, detail=1)
    # 使用 PIL 读取图片,画出识别框
    image  = Image.open(imgPath)
    # 对图片绘图
    draw = ImageDraw.Draw(image)
    # 存放识别出所有文字,进行NLP解析
    text = ''
    for item in result:
        text += item[1]+' '
        # 画矩形框
        draw.rectangle((tuple(item[0][0]), tuple(item[0][2])), fill=None, outline=(255, 0, 0), width=2)
        print("提取到文字块：",item)
    print("==================================================")
    print("识别文字文本: ",text)
    # 创建分词器
    segment = HanLP.newSegment().enableNameRecognize(True).enableOrganizationRecognize(True).enablePlaceRecognize(True)
    # 提取实体
    cut_word = segment.seg(text)
    print(cut_word)
    # 存放人名
    name = []
    organization = []
    place = []
    for item in cut_word:
        word = item.word
        nature = item.nature.toString()
        if nature == 'nr':
            name.append(word)
        elif nature == 'ns':
            place.append(word)
        elif nature == 'nt':
            organization.append(word)

    print("识别中文姓名：",name)
    print("识别机构名：",organization)
    print("识别地域名：",place)
    image.show()

if __name__ == '__main__':
    recognize()

运行程序，如果没有 HanLP ，则自动下载：

识别文字情况：

可以看到文字都被捕捉到了，下面看词语分析效果：

已成功提取相关实体信息。