如何用Python实现图片文字识别并将OCR结果保存为文档

冬静大大_5988

冬静大大_5988

2026-11-16

274人浏览

原创

pytesseract是Python中调用Tesseract进行OCR最稳定、中文支持最成熟的本地方案,需先安装tesseract引擎及chi_sim语言包,再配合Pillow预处理图像并指定lang='chi_sim'和config='--psm 6'。

如何用python实现图片文字识别并将ocr结果保存为文档

用 pytesseract 提取图片文字最直接可行

不是所有 OCR 库都适合快速落地,pytesseract 是 Python 生态里调用 Tesseract 引擎最稳定、中文支持最成熟的方案。它不依赖云 API,本地运行,适合批量处理私有图片。但前提是系统必须先装好 tesseract 命令行程序——很多人卡在这步,不是 Python 包没装对,而是底层引擎根本没装。

实操建议:

  • macOS 用户用 brew install tesseract --with-lang(加 --with-lang 才包含 chi_sim.traineddata)
  • Windows 用户去 UB-Mannheim 官方页 下载安装包,安装时勾选 Chinese (simplied) 语言包
  • Linux 用户执行 sudo apt install tesseract-ocr tesseract-ocr-chi-sim(Ubuntu/Debian)
  • Python 端只装 pytesseract 和 Pillow:pip install pytesseract Pillow

pytesseract.image_to_string() 的关键参数怎么设

默认调用会返回乱码或空字符串,核心问题出在语言和图像预处理上。Tesseract 对输入质量敏感,纯靠参数硬调效果有限,得配合 Pillow 做基础清理。

实操建议:

  • 必须显式指定 lang='chi_sim'(简体中文),英文图用 lang='eng',混排可写 lang='chi_sim+eng'
  • 优先用 config='--psm 6':告诉 Tesseract 当前是单块均匀文本(如截图、文档扫描页),比默认 psm 3(自动检测)更准
  • 图像要转灰度 + 二值化:img = img.convert('L').point(lambda x: 0 if x ,模糊或低对比图必须做
  • 字体太小(img.rotate(角度, expand=True) 校正,再传入 OCR

保存结果为 .txt 或 .docx?别绕弯子

OCR 结果本质是字符串,保存成文本文件直接用内置 open(..., 'w', encoding='utf-8') 就行;要存 .docx 必须引入 python-docx,但它只生成基础格式,不保留原图排版、表格、字体样式——这点常被高估。

Python 环境工具专业版
Python 环境工具专业版

Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式,核对必要参数、依赖环境与输出内容,并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期,并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看,该技能

下载

实操建议:

  • 存纯文本:用 with open('output.txt', 'w', encoding='utf-8') as f: f.write(text),注意编码必须是 utf-8,否则中文写入会报错或乱码
  • 存 .docx:装 python-docx 后,from docx import Document; doc = Document(); doc.add_paragraph(text); doc.save('output.docx')
  • 如果图片含多栏、标题、列表,不要指望 OCR 自动还原结构——pytesseract 输出的是线性文本流,段落换行靠 \n 分隔,需手动按规则切分(比如连续空行当节分隔)

为什么识别结果缺字、串行、漏标点

这不是代码 bug,而是 Tesseract 的固有限制:它把图像当“文字块”识别,不理解语义。常见诱因是图片质量差、文字粘连、背景干扰、字号突变。强行调参不如先看图。

排查顺序:

  • 用 img.show() 看原始图是否清晰——模糊、反光、阴影直接导致失败
  • 检查 image_to_boxes() 返回的坐标,看识别区域是否覆盖了目标文字(常发现只扫了图一角)
  • 试 image_to_data(),它返回每行置信度(conf 字段),conf 的行基本不可信,可过滤掉
  • 竖排中文?Tesseract 原生不支持,必须先旋转 90° 变横排,OCR 后再人工调整顺序

真正难的不是调通代码,是判断哪张图值得 OCR、哪张该重拍或换工具。有些扫描件带水印或底纹,用 OpenCV 做背景抑制比调 pytesseract 参数更有效。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1931

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5464

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1889

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

33297

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3907

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3927

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

616

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3043

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程