Python 进阶！实现从任何图像中提取文字，轻松提取图片中的文本！

# 装Homebrew（如果没装）

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# 装Tesseract核心

brew install tesseract

# 装所有语言包（包括英语、俄语、中文等，一步到位）

brew install tesseract-lang

pip install pytesseract pillow pdf2image

from PIL import Image

import pytesseract

# 随便找张有英文的图片，替换成你的图片路径

img_path = "test_en.png"

# 打开图片并识别（默认英语）

text = pytesseract.image_to_string(Image.open(img_path), lang="eng")

print(text)

# 导入需要的库

from PIL import Image  # 处理图片

import pytesseract     # 调用Tesseract

# 1. 定义图片路径（替换成你自己的图片路径，支持png、jpg、jpeg）

image_path = "english_image.jpg"

# 2. 打开图片

img = Image.open(image_path)

# 3. 调用Tesseract识别文字（lang="eng"表示英语，默认也是eng，可省略）

# 这里加了encoding='utf-8'，避免中文乱码（虽然这里是英语，但养成习惯）

text = pytesseract.image_to_string(img, lang="eng", encoding='utf-8')

# 4. 打印结果

print("识别到的文字：")

print("-" * 50)  # 分隔线，看起来清楚

print(text)

from PIL import Image

import pytesseract

image_path = "eng_rus_image.png"  # 你的双语图片路径

img = Image.open(image_path)

# 关键：lang参数用+连接多个语言代码

text = pytesseract.image_to_string(img, lang="eng+rus", encoding='utf-8')

print("双语识别结果：")

print("-" * 50)

print(text)

import os  # 处理文件/文件夹路径

from PIL import Image  # 处理图片

import pytesseract     # 调用Tesseract

from pdf2image import convert_from_path  # PDF转图片

class ImageReader:

   def __init__(self, lang='eng', output_dir=None):

       """

       初始化ImageReader（创建实例时调用）

       :param lang: 识别语言，默认英语（eng），多语言用+连接（如'eng+rus'）

       :param output_dir: 结果保存目录，None则不保存，默认None

       """

       self.lang = lang  # 保存语言参数

       self.output_dir = output_dir  # 保存结果目录

      

       # 如果指定了保存目录，不存在就自动创建

       if self.output_dir and not os.path.exists(self.output_dir):

           os.makedirs(self.output_dir)

           print(f"创建结果保存目录：{self.output_dir}")

   def _preprocess_image(self, image):

       """

       【私有方法】图片预处理：灰度化+二值化，提高识别率（不用手动调用）

       原理：彩色图干扰多，转黑白图后文字更突出

       :param image: PIL.Image对象

       :return: 预处理后的PIL.Image对象

       """

       # 1. 转灰度图（L模式：每个像素0-255，0是黑，255是白）

       gray_img = image.convert('L')

      

       # 2. 二值化：把灰度图变成纯黑白（阈值127，可根据图片调整）

       # 像素值>127设为255（白），否则0（黑），文字更清晰

       threshold = 127

       binary_img = gray_img.point(lambda x: 255 if x > threshold else 0)

      

       return binary_img

   def read_single_image(self, image_path, preprocess=True, save_result=False):

       """

       识别单张图片

       :param image_path: 图片路径（支持png、jpg、jpeg等）

       :param preprocess: 是否预处理图片，默认True（推荐开）

       :param save_result: 是否保存结果到文件，默认False

       :return: 识别到的文字字符串

       """

       # 检查图片是否存在

       if not os.path.exists(image_path):

           raise FileNotFoundError(f"图片找不到：{image_path}")

      

       # 打开图片（捕获异常，避免图片损坏报错）

       try:

           img = Image.open(image_path)

       except Exception as e:

           raise ValueError(f"打开图片失败：{e}")

      

       # 图片预处理（如果开启）

       if preprocess:

           img = self._preprocess_image(img)

      

       # 调用Tesseract识别文字（捕获常见错误）

       try:

           text = pytesseract.image_to_string(img, lang=self.lang, encoding='utf-8')

       except pytesseract.TesseractNotFoundError:

           raise Exception("没找到Tesseract！先装Tesseract并配环境变量")

       except Exception as e:

           raise Exception(f"识别失败：{e}")

      

       # 保存结果（如果开启且指定了目录）

       if save_result and self.output_dir:

           # 取图片文件名（不含后缀），比如"test.png"→"test"

           file_name = os.path.splitext(os.path.basename(image_path))[0]

           # 结果文件路径：保存目录/文件名_result.txt

           result_path = os.path.join(self.output_dir, f"{file_name}_result.txt")

           # 用utf-8编码保存，避免乱码

           with open(result_path, 'w', encoding='utf-8') as f:

               f.write(text)

           print(f"结果已保存到：{result_path}")

      

       return text

   def read_batch_images(self, folder_path, preprocess=True, save_result=True):

       """

       批量识别文件夹下所有图片

       :param folder_path: 图片文件夹路径

       :param preprocess: 是否预处理，默认True

       :param save_result: 是否保存结果，默认True

       :return: 字典，key=图片路径，value=识别结果

       """

       # 检查文件夹是否存在

       if not os.path.isdir(folder_path):

           raise NotADirectoryError(f"文件夹找不到：{folder_path}")

      

       # 支持的图片格式（小写，避免漏判）

       supported_formats = ('.png', '.jpg', '.jpeg', '.bmp', '.tiff')

       # 存储所有结果

       batch_result = {}

      

       # 遍历文件夹里的所有文件

       for file_name in os.listdir(folder_path):

           # 只处理支持的图片格式

           if file_name.lower().endswith(supported_formats):

               file_path = os.path.join(folder_path, file_name)

               print(f"正在处理：{file_path}")

              

               # 调用单张图片识别方法

               try:

                   text = self.read_single_image(

                       file_path, preprocess=preprocess, save_result=save_result

                   )

                   batch_result[file_path] = text

                   print(f"处理完成：{file_name}")

               except Exception as e:

                   batch_result[file_path] = f"处理失败：{e}"

                   print(f"处理失败：{file_name} → {e}")

      

       return batch_result

   def read_pdf_scan(self, pdf_path, dpi=300, preprocess=True, save_result=True):

       """

       识别PDF扫描件（本质是图片组成的PDF）

       :param pdf_path: PDF文件路径

       :param dpi: 转图片的分辨率，dpi越高越清晰，默认300（推荐）

       :param preprocess: 是否预处理，默认True

       :param save_result: 是否保存结果，默认True

       :return: 字典，key=页码（从1开始），value=该页识别结果

       """

       # 检查PDF是否存在

       if not os.path.exists(pdf_path):

           raise FileNotFoundError(f"PDF找不到：{pdf_path}")

      

       # 把PDF转成图片（每页一张），依赖Poppler

       try:

           # dpi=300：分辨率，比默认150更清晰，识别率更高

           pages = convert_from_path(pdf_path, dpi=dpi)

           print(f"PDF共{len(pages)}页，已转成图片")

       except Exception as e:

           raise Exception(f"PDF转图片失败：{e}（可能没装Poppler或没配环境变量）")

      

       # 存储每页结果

       pdf_result = {}

      

       # 遍历每页图片（page_num从1开始）

       for page_num, page_img in enumerate(pages, start=1):

           print(f"正在处理PDF第{page_num}页")

          

           # 图片预处理

           if preprocess:

               page_img = self._preprocess_image(page_img)

          

           # 识别文字

           try:

               text = pytesseract.image_to_string(page_img, lang=self.lang, encoding='utf-8')

               pdf_result[page_num] = text

               print(f"PDF第{page_num}页处理完成")

           except Exception as e:

               pdf_result[page_num] = f"处理失败：{e}"

               print(f"PDF第{page_num}页处理失败：{e}")

      

       # 保存PDF识别结果（合并所有页）

       if save_result and self.output_dir:

           file_name = os.path.splitext(os.path.basename(pdf_path))[0]

           result_path = os.path.join(self.output_dir, f"{file_name}_pdf_result.txt")

           with open(result_path, 'w', encoding='utf-8') as f:

               for page_num, text in pdf_result.items():

                   f.write(f"=== PDF第{page_num}页 ===n")

                   f.write(text)

                   f.write("nn")  # 每页之间空两行，方便阅读

           print(f"PDF结果已保存到：{result_path}")

      

       return pdf_result

# main.py

from ocr_tool import ImageReader  # 导入我们封装的类

if __name__ == "__main__":

   # 1. 初始化ImageReader：识别英语+俄语，结果保存到"ocr_results"文件夹

   # 如果你要识别中文，把lang改成"chi_sim"，记得装中文语言包

   reader = ImageReader(lang="eng+rus", output_dir="ocr_results")

   # ------------------- 示例1：识别单张图片 -------------------

   print("=== 示例1：单张图片识别 ===")

   single_img_path = "test_eng_rus.png"  # 你的图片路径

   try:

       # 识别并保存结果

       single_text = reader.read_single_image(single_img_path, save_result=True)

       print("识别结果：")

       print("-" * 50)

       print(single_text)

   except Exception as e:

       print(f"单张图片处理出错：{e}")

   # ------------------- 示例2：批量识别图片 -------------------

   print("n=== 示例2：批量识别图片 ===")

   batch_folder = "test_images"  # 你的图片文件夹路径（里面全是图片）

   try:

       batch_result = reader.read_batch_images(batch_folder)

       # 打印汇总结果（只打印前100个字符，避免输出太长）

       print("n批量处理汇总：")

       for img_path, text in batch_result.items():

           print(f"图片：{os.path.basename(img_path)}")

           print(f"结果：{text[:100]}..." if len(text) > 100 else f"结果：{text}")

           print("-" * 30)

   except Exception as e:

       print(f"批量处理出错：{e}")

   # ------------------- 示例3：识别PDF扫描件 -------------------

   print("n=== 示例3：PDF扫描件识别 ===")

   pdf_path = "test_scan.pdf"  # 你的PDF扫描件路径

   try:

       pdf_result = reader.read_pdf_scan(pdf_path)

       # 打印汇总结果

       print("nPDF处理汇总：")

       for page_num, text in pdf_result.items():

           print(f"第{page_num}页：{text[:100]}..." if len(text) > 100 else f"第{page_num}页：{text}")

           print("-" * 30)

   except Exception as e:

       print(f"PDF处理出错：{e}")

from PIL import ImageFilter  # 导入滤镜模块

def _preprocess_image(self, image):

   gray_img = image.convert('L')

   # 加一步高斯模糊降噪（可选，根据图片情况用）

   blurred_img = gray_img.filter(ImageFilter.GaussianBlur(radius=0.5))

   # 再二值化

   threshold = 127

   binary_img = blurred_img.point(lambda x: 255 if x > threshold else 0)

   return binary_img