用于从图像中提取文本的前7个Python OCR库

教程

光学字符识别（OCR）是一种从图像、扫描文档甚至手写笔记中提取可读文本的技术。在Python中，OCR工具经过多年发展，最新版本的这些库现在提供了更强大、高效的解决方案。

本文将介绍Python中排名前七的OCR库，突出它们的优势、独特功能，并提供代码示例，帮助您入门。

[ You might also like: 20 Simple Python Scripts That Will Automate Your Daily Tasks ]

1. Tesseract OCR（pytesseract）

Tesseract无疑是Python生态系统中最流行、最广泛使用的OCR库。最初由HP开发，现在由Google维护，Tesseract提供了针对100多种语言的高质量OCR功能。

主要特点:

  • 开源且免费使用。
  • 支持多种语言，包括非拉丁字母表。
  • 识别图像、扫描文档和PDF中的文本。
  • 可通过自定义训练数据进行定制化，适用于特定用例。
  • 与预处理工具如OpenCV协同工作，提高准确性。

要在Linux上安装Tesseract OCR，请根据您的发行版执行以下步骤:

sudo apt install tesseract-ocr     [On Debian, Ubuntu and Mint]
sudo yum install tesseract         [On RHEL/CentOS/Fedora and Rocky/AlmaLinux]
sudo emerge -a sys-apps/tesseract  [On Gentoo Linux]
sudo apk add tesseract             [On Alpine Linux]
sudo pacman -S tesseract           [On Arch Linux]
sudo zypper install tesseract      [On OpenSUSE]    
sudo pkg install tesseract         [On FreeBSD]

安装Tesseract后，如果您想要在Python中使用它，您需要使用pip软件包管理器安装pytesseract软件包。

pip3 install pytesseract
OR
pip install pytesseract

以下是一个使用Tesseract OCR与pytesseract库从图像中提取文本的Python示例代码。

import pytesseract
from PIL import Image

# Load an image
img = Image.open("image_sample.png")

# Use Tesseract to extract text
text = pytesseract.image_to_string(img)

# Print the extracted text
print(text)

2. EasyOCR

EasyOCR是另一个出色的Python OCR库，支持80多种语言，适合初学者使用。它基于深度学习技术构建，是那些想要利用现代OCR技术的人的绝佳选择。

主要特点:

  • 深度学习模型具有高准确性。
  • 支持广泛的语言。
  • 可检测垂直和多语言图像中的文本。
  • 简单易懂的API。

要在Linux上安装EasyOCR，您可以根据您的发行版使用以下pip命令。

pip3 install easyocr
OR
pip install easyocr

安装完成后，您可以使用EasyOCR从图像中提取文本。

import easyocr

# Initialize the OCR reader
reader = easyocr.Reader(['en'])

# Extract text from an image
result = reader.readtext('image_sample.png')

# Print the extracted text
for detection in result:
    print(detection[1])

3. OCRopus

OCRopus是由Google开发的开源OCR系统。虽然它主要用于历史文献和图书，但OCRopus也可以应用于各种文本提取任务。

主要特点:

  • 专注于文档布局分析和文本提取。
  • 考虑了模块化，便于定制。
  • 可以处理多页文档和大型数据集。

以下是一个从图像中提取文本的Python示例代码。

import subprocess

# Use OCRopus to process an image
subprocess.run(['ocropus', 'identify', 'image_sample.png'])

4. PyOCR

PyOCR是围绕几个OCR引擎（包括Tesseract和CuneiForm）的Python封装器。它为将OCR功能集成到Python应用程序提供了简单的接口。

主要特点:

  • 可以与多个OCR引擎进行交互。
  • 提供了用于文本提取的简单API。
  • 可以与图像预处理库结合以获得更好的结果。

PyOCR需要Tesseract（OCR引擎）和Pillow（图像处理库）。您可以使用以下命令安装它们:

sudo apt install tesseract-ocr     [On Debian, Ubuntu and Mint]
sudo yum install tesseract         [On RHEL/CentOS/Fedora and Rocky/AlmaLinux]
sudo emerge -a sys-apps/tesseract  [On Gentoo Linux]
sudo apk add tesseract             [On Alpine Linux]
sudo pacman -S tesseract           [On Arch Linux]
sudo zypper install tesseract      [On OpenSUSE]    
sudo pkg install tesseract         [On FreeBSD]

现在，您可以使用pip安装pyocr和pillow库：

pip3 install pyocr pillow
OR
pip install pyocr pillow

以下是一个使用PyOCR和Tesseract从图像中提取文本的Python示例：

import pyocr
from PIL import Image

# Choose the OCR tool (Tesseract or CuneiForm)
tool = pyocr.get_available_tools()[0]

# Load the image
img = Image.open('image_sample.png')

# Extract text from the image
text = tool.image_to_string(img)

# Print the extracted text
print(text)

5. PaddleOCR

PaddleOCR是由PaddlePaddle开发的OCR库，是一个深度学习框架。它支持80多种语言，并且由于使用深度学习模型，具有尖端的准确性。

主要特点:

  • 高性能，特别适用于具有复杂背景的图像。
  • 支持文本检测、识别和布局分析。
  • 包括多种语言的预训练模型。

要在Linux中安装PaddleOCR，请使用：

pip3 install paddlepaddle paddleocr
OR
pip install paddlepaddle paddleocr

以下是一个使用paddleocr库从图像中提取文本的Python示例：

from paddleocr import PaddleOCR

# Initialize the OCR
ocr = PaddleOCR(use_angle_cls=True, lang='en')

# Perform OCR on an image
result = ocr.ocr('image_sample.png', cls=True)

# Print the extracted text
for line in result[0]:
    print(line[1])

6. Kraken

Kraken是专为历史和多语言文本设计的高性能OCR库。它构建在OCRopus之上，并提供用于复杂布局和文本提取的附加功能。

主要特点:

  • 最适合于古籍和多语言OCR。
  • 处理复杂的文本布局和历史字体。
  • 使用机器学习提高识别准确性。

在Linux中安装 Kraken，使用如下命令：

pip3 install kraken
OR
pip install kraken

以下是一个使用 kraken 库从图像中提取文本的Python示例：

import kraken

# Load the model and recognize text
text = kraken.binarize("image_sample.png")

# Print the recognized text
print(text)

7. Textract (AWS)

AWS Textract 是亚马逊基于云的OCR服务，可以分析文档和表单，并具有高准确性地提取文本。它与其他AWS服务无缝集成。

主要特点:

  • 基于云的OCR，具有可扩展的解决方案。
  • 支持文档结构分析，包括表格和表单。
  • 与AWS服务集成，用于进一步数据处理。

在Linux中安装 Textract，使用如下命令：

pip3 install boto3
OR
pip install boto3

以下是一个示例Python脚本，使用 AWS Textract 从文档（例如扫描的PDF或图像文件）中提取文本。

import boto3

# Initialize a Textract client
client = boto3.client('textract')

# Path to the image or PDF file you want to analyze
file_path = 'path_to_your_file.png'  # Replace with your file path

# Open the file in binary mode
with open(file_path, 'rb') as document:
    # Call Textract to analyze the document
    response = client.detect_document_text(Document={'Bytes': document.read()})

# Print the extracted text
for item in response['Blocks']:
    if item['BlockType'] == 'LINE':
        print(item['Text'])
结论

在Python中选择正确的OCR库取决于特定的用例、语言要求以及正在处理的文档的复杂性。无论您是处理历史文档、多语言文本还是简单的扫描PDF，这些库都提供了强大的文本提取工具。

对于初学者来说，Tesseract 和 EasyOCR 是极好的起点，因为它们易于使用且被广泛采用。然而，对于更高级或专业的任务，像 PaddleOCR、OCRopus 和 Kraken 这样的库提供了更大的灵活性和准确性。

Source:
https://www.tecmint.com/python-text-extraction-from-images/