Python OCR文字识别：pytesseract安装配置教程

pip install pytesseract
import pytesseract
print(pytesseract.image_to_string('test.jpg'))
# TesseractNotFoundError: tesseract is not installed

pytesseract是Python的OCR（光学字符识别）库，可以从图片中提取文字。Windows上使用需要先安装Tesseract OCR引擎。

版本要求

pytesseract依赖Tesseract OCR引擎：

注意：pytesseract只是封装库，必须先安装Tesseract OCR引擎才能使用。

安装中可能遇到的问题

问题1：Tesseract引擎未安装

import pytesseract
pytesseract.image_to_string('test.jpg')
# TesseractNotFoundError: tesseract is not installed or it's not in your PATH

只装了pytesseract，没装Tesseract OCR引擎。

问题2：路径未配置

import pytesseract
pytesseract.image_to_string('test.jpg')
# pytesseract.pytesseract.TesseractNotFoundError

Tesseract安装了，但Python找不到，需要手动指定路径。

问题3：中文识别乱码

text = pytesseract.image_to_string('中文图片.jpg')
print(text)
# 输出：乱码或空白

没有安装中文语言包chi_sim.traineddata。

问题4：识别准确率低

识别结果错误很多，可能是图片质量差、没有预处理。

如果你想避免这些问题，可以用抠头助手自动安装Tesseract引擎和语言包。

方式一：一键安装

使用抠头助手自动安装pytesseract和Tesseract OCR引擎。

下载地址：https://www.codetou.com

1. 选择Python环境

打开软件，在左侧选择你的Python环境：

2. 找到PYTESSERACT

切换到「客户端」或「工具库」，找到或者搜索PYTESSERACT：

3. 确认配置并安装

软件会自动安装Tesseract OCR引擎和中文语言包：

4. 等待完成

自动完成pytesseract、Tesseract引擎、语言包的安装和配置：

方式二：手动安装

步骤1：安装Tesseract OCR引擎

下载地址：Tesseract OCR引擎下载地址

选择最新版本（如tesseract-ocr-w64-setup-5.3.3.20231005.exe）下载并安装。

安装时注意：

• 勾选"Additional language data" → 选择"Chinese – Simplified"（简体中文）
• 记住安装路径（默认：C:\\Program Files\\Tesseract-OCR）

步骤2：配置环境变量（可选）

将Tesseract添加到系统PATH：

步骤3：安装pytesseract

pip install pytesseract pillow

步骤4：配置Tesseract路径

在Python代码中指定Tesseract路径：

import pytesseract

# 指定Tesseract安装路径
pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

步骤5：下载中文语言包（如未安装）

下载地址：语言包下载地址

下载chi_sim.traineddata（简体中文），放到：

C:\\Program Files\\Tesseract-OCR\\tessdata\\

验证安装

基础测试

import pytesseract
from PIL import Image

# 配置路径（如果没加环境变量）
pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

# 测试英文识别
img = Image.open('test_eng.jpg')
text = pytesseract.image_to_string(img)
print(f"英文识别结果：\\n{text}")

# 测试中文识别
img_cn = Image.open('test_chn.jpg')
text_cn = pytesseract.image_to_string(img_cn, lang='chi_sim')
print(f"中文识别结果：\\n{text_cn}")

检查支持的语言

import pytesseract

# 查看已安装的语言包
print(pytesseract.get_languages())
# ['chi_sim', 'eng', …]

实用案例

案例1：身份证识别

import pytesseract
from PIL import Image
import cv2

# 读取身份证图片
img = cv2.imread('身份证.jpg')

# 图像预处理（提高识别率）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度化
blur = cv2.GaussianBlur(gray, (5, 5), 0) # 降噪
_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 二值化

# OCR识别
text = pytesseract.image_to_string(binary, lang='chi_sim')
print(f"身份证信息：\\n{text}")

# 提取特定字段（示例）
lines = text.split('\\n')
for line in lines:
if '姓名' in line:
print(f"姓名: {line.split('姓名')[–1].strip()}")
if '身份证号' in line:
print(f"身份证号: {line.split('身份证号')[–1].strip()}")

案例2：截图文字提取

import pytesseract
from PIL import ImageGrab

# 截取屏幕
screenshot = ImageGrab.grab()
screenshot.save('screenshot.png')

# 识别文字
text = pytesseract.image_to_string(screenshot, lang='chi_sim+eng')
print(f"截图文字：\\n{text}")

# 保存到文件
with open('extracted_text.txt', 'w', encoding='utf-8') as f:
f.write(text)

案例3：验证码识别

import pytesseract
from PIL import Image
import cv2
import numpy as np

# 读取验证码
img = cv2.imread('captcha.jpg')

# 预处理（验证码识别关键）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 去噪
kernel = np.ones((2, 2), np.uint8)
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 识别（只允许数字和字母）
custom_config = r'–oem 3 –psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
text = pytesseract.image_to_string(opening, config=custom_config)
print(f"验证码: {text.strip()}")

案例4：批量PDF转文字

import pytesseract
from pdf2image import convert_from_path
from PIL import Image

def pdf_to_text(pdf_path, output_txt):
# PDF转图片
images = convert_from_path(pdf_path, dpi=300)

full_text = ""
for i, img in enumerate(images):
print(f"处理第{i+1}页…")
text = pytesseract.image_to_string(img, lang='chi_sim+eng')
full_text += f"\\n========== 第{i+1}页 ==========\\n"
full_text += text

# 保存结果
with open(output_txt, 'w', encoding='utf-8') as f:
f.write(full_text)

print(f"完成！文本已保存到 {output_txt}")

# 使用
pdf_to_text('扫描文档.pdf', '提取文本.txt')

提高识别准确率

1. 图像预处理

import cv2

# 读取图片
img = cv2.imread('test.jpg')

# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 去噪
denoised = cv2.fastNlMeansDenoising(gray, None, 10, 7, 21)

# 调整大小（放大可能提高识别率）
resized = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

2. 配置OCR参数

import pytesseract

# 常用配置
# –psm: Page Segmentation Mode（页面分割模式）
# 6: 单一文本块（默认）
# 7: 单行文本
# 8: 单个词
# 11: 稀疏文本

# –oem: OCR Engine Mode
# 0: 仅使用Legacy引擎
# 1: 仅使用神经网络LSTM引擎
# 3: 默认（自动）

# 示例：单行文字识别
text = pytesseract.image_to_string(img, lang='chi_sim', config='–psm 7')

# 示例：只识别数字
text = pytesseract.image_to_string(img, config='–psm 6 -c tessedit_char_whitelist=0123456789')

3. 选择合适的语言

# 纯英文
text = pytesseract.image_to_string(img, lang='eng')

# 纯中文
text = pytesseract.image_to_string(img, lang='chi_sim')

# 中英混合
text = pytesseract.image_to_string(img, lang='chi_sim+eng')

# 繁体中文
text = pytesseract.image_to_string(img, lang='chi_tra')

常见问题

Q：TesseractNotFoundError怎么办？

pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

Q：中文识别全是乱码？

Q：识别准确率很低怎么办？

Q：能识别手写字吗？

Tesseract对手写字识别效果较差，建议使用深度学习模型（如PaddleOCR）。

Q：商业使用需要付费吗？

Tesseract是Apache 2.0开源协议，可免费商用。

Q：pytesseract和其他OCR方案对比？

常用功能

获取文字位置

import pytesseract
from PIL import Image

img = Image.open('test.jpg')

# 获取文字及位置信息
data = pytesseract.image_to_data(img, lang='chi_sim', output_type=pytesseract.Output.DICT)

for i, text in enumerate(data['text']):
if text.strip():
x, y, w, h = data['left'][i], data['top'][i], data['width'][i], data['height'][i]
print(f"文字: {text}, 位置: ({x}, {y}), 大小: {w}x{h}")

保存为PDF

import pytesseract
from PIL import Image

img = Image.open('scan.jpg')
pdf = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')

with open('output.pdf', 'wb') as f:
f.write(pdf)

置信度检测

import pytesseract
from PIL import Image

img = Image.open('test.jpg')
data = pytesseract.image_to_data(img, lang='chi_sim', output_type=pytesseract.Output.DICT)

for i, text in enumerate(data['text']):
confidence = data['conf'][i]
if confidence != –1 and text.strip():
print(f"文字: {text}, 置信度: {confidence}%")

相关教程

如果你还需要安装其他Python库：

• Windows安装Mamba_ssm教程
• Windows安装DGL GPU版完全指南 – 图神经网络环境配置
• Windows安装TensorFlow GPU完全指南
• Windows安装MMCV完全指南

更多Python库安装教程，访问：https://www.codetou.com

抠头助手：https://www.codetou.com

遇到问题？打开软件右上角菜单 →「技术客服」，扫码添加微信获取帮助。