Linux中的Python OCR模块？

Posted 2023-04-17

【中文标题】Linux中的Python OCR模块？

【英文标题】：Python OCR Module in Linux?

【发布时间】：2011-08-13 14:02:12

【问题描述】：

我想在linux中找一个好用的OCR python模块，我找到了pytesserhttp://code.google.com/p/pytesser/，但是里面包含一个.exe可执行文件。

我尝试将代码更改为使用wine，它确实有效，但是它太慢了，真的不是一个好主意。

有没有像它一样易于使用的 Linux 替代品？

【问题讨论】：

为什么要结束这个问题？它肯定适合***.com/help/on-topic中定义的“程序员常用的软件工具”和“编程行业特有的实用、可回答的问题”。

【参考方案1】：

您可以将tesseract 包装在一个函数中：

import os
import tempfile
import subprocess

def ocr(path):
    temp = tempfile.NamedTemporaryFile(delete=False)

    process = subprocess.Popen(['tesseract', path, temp.name], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    process.communicate()

    with open(temp.name + '.txt', 'r') as handle:
        contents = handle.read()

    os.remove(temp.name + '.txt')
    os.remove(temp.name)

    return contents

如果您想要文档分割和更高级的功能，请尝试OCRopus。

【讨论】：

该代码错误，handle.close() 调用了不存在的str.close()。

明白了。我在写这篇文章的时候重新写了一点，因为我有两个 .close() 函数占用了空间。不确定省略它们是否不好，但我听说 Python 会自行清理所有内容。

是的，pytesser 也类似于您的函数，它可以对 tesseract 可执行文件进行外壳处理并获取标准输出。但是 tessetact.exe 使用了一个临时文件，阻止我使用多线程（文件冲突）

嗯，你会如何多线程？ Tesseract 不支持它（AFAICT，但 Tesseract 的 svn 版本通过它的布局分析为我创造了奇迹），并且由于我使用临时文件，它是唯一的并且不会冲突。

@david_adler: ocr('path/to/your/image.png')?

【参考方案2】：

除了 Blender 的回答，它只是执行 Tesseract 可执行文件，我想补充一点，OCR 存在其他替代方案，也可以称为外部进程。

ABBYY 命令行 OCR 实用程序：http://ocr4linux.com/en:start

它不是免费的，所以只有在 Tesseract 精度不足以满足您的任务，或者您需要更复杂的布局分析或需要导出 PDF、Word 和其他文件时才值得考虑。

更新：这里是 ABBYY 和 tesseract 精度的比较：http://www.splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison

免责声明：我为 ABBYY 工作

【讨论】：

我认为 Tesseract 比 ABBY FineReader 具有更好的准确性，因为我已经使用这两种方法对数百本书进行了数字化。

@Blender：以下是几个引擎的比较：splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison 你可以看到 ABBYY 总体上要准确得多，在大多数样本上都可以达到 100% 的准确度，但仍有一些地方更差比正方体。我的经验也一样：总的来说，ABBYY 确实更准确，而且（对我来说最重要的是）即使没有经过培训也能很好地工作。您是否为文档训练了 tesseract？您是否也训练过 ABBYY 或与原样进行比较？

完全没有针对 Tesseract 的培训。但我使用的是 svn 版本的 Tesseract，这与正常的稳定版本有很大不同。

我用这些图片测试了tesseract，它只有2个字符与原始字符不同。 ABBYY 可以很好地处理打印文本，但对于我拍照的粗暴打字文本，Tesseract 的效果要好一些。除此之外，我没有钱买 ABBYY ;)

【参考方案3】：

python 正方体

http://code.google.com/p/python-tesseract

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

【参考方案4】：

您应该尝试用于机器学习的优秀 scikits.learn 库。您可以找到两个可以运行的代码here 和here。

【参考方案5】：

这里有很多选择。

正如其他人指出的那样，一种方法是使用 tesseract。看起来现在有一堆包装器，所以最好的方法是do a quick pypi search。这些天最常用的是：

pytesseract pytesser tesserwrap pyocr

另一个查找类似引擎的有用站点是alternative.to。根据他们的说法，一些基于 linux 的系统是：

ABBYY Tesseract CueiForm 章鱼 GOCR