Python3.6实现图片转文字

因项目所需，要对图片进行基本的文字识别，联想到手机qq有图片自动提取文字功能，觉得肯定有可以调用的外部api。查了一下，比较常用的python实现图片转文字的库是pytesseract（第一反应联想到漫威中的宇宙魔方Tesseract哈哈哈哈）

实验环境：

win10+pycharm2018.1+python3.6

所需库：

Pillow             4.3.0

pytesseract        0.2.0

安装都很简单，在cmd命令行里直接pip3 install xxxxx就行。

敲黑板，安装完库还不行，还要安装tesseract的软件，这样系统才能识别引擎成功读取文字。

可从github下载tesseract-ocr-setup-4.00.00dev

https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows

安装的时候要注意，tesseract的安装并不默认安装什么语言，如果自己需要简体中文的语言包，那么就不能一直点next点到finish。如下图，我安装了MATH和简体中文包。

好了进行完上述预备阶段的任务，代码就很简单了。

import pytesseract
from PIL import Image
import datetime


def main():
    for i in range(1,2):
        starttime = datetime.datetime.now()
        image = Image.open(r"C:\Users\夹心\Desktop\计算机网络_"+str(i)+".png")
        text = pytesseract.image_to_string(image, lang='chi_sim')  # 使用简体中文解析图片
        endtime = datetime.datetime.now()

        print (r"计算机网络_"+str(i)+r"转换完成，耗时：" + str((endtime - starttime).seconds))

        text=text.replace(" ","")
        with open(r"C:\Users\夹心\Desktop\计算机网络_"+str(i)+".txt", "a") as f: # 将识别出来的文字存到本地
            # print(text)
            f.write(str(text))

main()

几点注意：

1.转换的速度相对较慢，不是很乐观。如图这样一张字比较密集的图片，转换用时约14s。程序中的datatime库就是为了计算转换用时而设定的。速度的慢体现在批量转换上，并未找到很合适的优化方法。

2.转化的正确率并非100%。尽管对于图中这样的标准系统字体，转换成功率仍难以达到100%，如单播会被转换成单擎等。

3.转化后的txt有许多空行，非常影响阅读体验，可以自己设计代码改善一下。因为我要做的是分词，所以空行没有什么妨碍，所以我没有进行处理。

以上就是python实现图片转文字的讲解。