Pythonクローラー検証コード認識モジュールtesseracrおよびpytesseract

tesserocrには、Windows環境でのさまざまな非互換性の問題や、pycharm仮想環境との非互換性があるため、Windowsシステム環境では、インストールするpytesseractモジュールを選択します。本当にインストールする場合は、whlファイルインストールを使用するか、condaインストールを使用してください。

pip install pytesseract

pytesseractの実行中にtesseractインタープリターが見つからない場合、この状況は通常、仮想環境で発生します。tesseract-OCR実行可能ファイルtesseract.extをWindowsシステムのPATH環境に構成するか、pytesseractを変更する必要があります。 pyファイルの場合、「tesseract_cmd」フィールドをtesseract.exeのフルパスとして指定します

テスト認識機能：

import pytesseract
from PIL import Image

image = Image.open('tesseracttest.png')		# 图片名
text = pytesseract.image_to_string(image)
print(text)

Ubuntu、Linuxシステムでは、インストールコマンドは次のとおりです

#安装tesseract
sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev

#安装语言包
git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata

#安装pytesseract
pip3 install pytesseract

写真の内容を特定し、別の写真に書き込みます

from PIL import Image
import subprocess

def cleanFile(filePath, newFilePath):
    image = Image.open(filePath)

    # 对图片进行阈值过滤（低于143的置为黑色，否则为白色）
    image = image.point(lambda x: 0 if x < 143 else 255)
    # 重新保存图片
    image.save(newFilePath)

    # 调用系统的tesseract命令对图片进行OCR识别
    subprocess.call(["tesseract", newFilePath, "output"])

    # 打开文件读取结果
    with open("output.txt", 'r') as f:
        print(f.read())

if __name__ == "__main__":
    cleanFile("tesseracttest.jpg", "123.jpg")    # 读取tesseracttest内的文字,再把文字写入123中

今回は簡単な識別と次回の更新