?

爬蟲——文字識(shí)別

機(jī)器視覺

從Google的無(wú)人駕駛汽車到可以識(shí)別假鈔的自動(dòng)售賣機(jī)，機(jī)器視覺一直都是一個(gè)應(yīng)用廣泛且具有深遠(yuǎn)的影響和雄偉的愿景的領(lǐng)域。

這里我們將重點(diǎn)介紹機(jī)器視覺的一個(gè)分支：文字識(shí)別。介紹如何用一些Python庫(kù)來(lái)識(shí)別和使用在線圖片中的文字。

我們可以很輕松的閱讀圖片里的文字，但是機(jī)器閱讀這些圖片就會(huì)非常困難，利用這種人類用戶可以正常讀取但是大多數(shù)存貯器沒法讀取的圖片，這時(shí)驗(yàn)證碼（CAPTCHA）就出現(xiàn)了。驗(yàn)證碼讀取的難易程序也大不相同。另外注意：光理論是不夠的。這里順便送大家一套2020最新python入門到高級(jí)項(xiàng)目實(shí)戰(zhàn)視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數(shù)字的諧音）轉(zhuǎn)換下可以找到了，還可以跟老司機(jī)交流討教！

將圖像翻譯成文字一般被稱為光學(xué)文字識(shí)別（Optical Character Recognition，OCR）。可以實(shí)現(xiàn)OCR的底層庫(kù)并不多，目前很多庫(kù)都是使用共同的幾個(gè)底層OCR庫(kù)，或者是在上面進(jìn)行定制。

OCR庫(kù)概述

在讀取和處理圖像、圖像相差的機(jī)器學(xué)習(xí)以及創(chuàng)建圖像等任務(wù)中，Python一直都是非常出色的語(yǔ)言。雖然有很多庫(kù)可以進(jìn)行圖像處理，但是這里我們只介紹Tesseract庫(kù)。

Tesseract

Tesseract是一個(gè)OCR庫(kù)，目前由Google贊助。Tesseract是目前公認(rèn)最優(yōu)秀、最精確的開源OCR系統(tǒng)。除了極高的精確度，Tesseract也具有很高的靈活性。它可以通過(guò)訓(xùn)練識(shí)別出任何字體，也可以識(shí)別出任何Unicode字符。

安裝Tesseract：Windows系統(tǒng)

下載可執(zhí)行安裝文件安裝即可。

安裝pytesseract

Tesseract是一個(gè)Python的命令行工具，不是通過(guò)import語(yǔ)句導(dǎo)入的庫(kù)。安裝之后，要用tesseract命令在Python的外面運(yùn)行，但我們可以通過(guò)pip安裝支持Python版本的Tesseract庫(kù)：

1	pip?install?pytesseract

處理規(guī)范的文字

你要處理的大多數(shù)文字都是比較干凈、格式規(guī)范的。格式霍英東的文字通常具有以下特點(diǎn)：

使用統(tǒng)一的標(biāo)準(zhǔn)字體（不包含手寫體、草書或者十分“花哨”的字體），復(fù)印或者拍照但是字體清晰、沒有多余的痕跡或者污點(diǎn)。

排列整齊，沒有歪歪斜斜的字。

沒有超出圖片范圍，也沒有殘缺不全，或緊緊貼在圖片的邊緣。

文字的一些格式問(wèn)題在圖片預(yù)處理時(shí)可以進(jìn)行解決。例如，可以把圖片轉(zhuǎn)換成灰度圖，調(diào)整亮度和對(duì)比度，還可以根據(jù)需要進(jìn)行裁剪和旋轉(zhuǎn)，在這里不作介紹。

相關(guān)推薦：《Python相關(guān)教程》

示例：

英文：

1 2 3 4 5 6

F:DE209_F>tesseract?english.jpg?text Tesseract?Open?Source?OCR?Engine?v4.00.00alpha?with?Leptonica ?? F:DE209_F>type?text.txt This?is?some?text,?written?in?Arial,?that?will?be?read?by Tesseract.?Here?are?some?symbols:?!@#$%"&*()

識(shí)別結(jié)果的準(zhǔn)確率還是挺高的。

通過(guò)Python代碼實(shí)現(xiàn)

英文：

中文：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

#!/usr/bin/python3 #?-*-?coding:utf-8?-*-? import?pytesseract from?PIL?import?Image ?? #?打開圖像：英文 image?=?Image.open('english.jpg') ?? #?OCR識(shí)別：lang默認(rèn)英文 text?=?pytesseract.image_to_string(image) ?? #?打印識(shí)別后的文本 print(text) ?? #?我是分割線 print("*"?*?30) ?? #?打開圖像：英文 image?=?Image.open('china.png') ?? #?OCR識(shí)別：lang指定中文 text?=?pytesseract.image_to_string(image,?lang?=?'chi_sim') ?? #?打印識(shí)別后的文本 print(text)

運(yùn)行結(jié)果：

1 2 3 4

This?is?some?text,?written?in?Arial,?that?will?be?read?by Tesseract.?Here?are?some?symbols:?!@#$%"&*() ****************************** 中?華?人?民?共?和?國(guó)

都懂了嗎？最后注意：光理論是不夠的。這里順便送大家一套2020最新python入門到高級(jí)項(xiàng)目實(shí)戰(zhàn)視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數(shù)字的諧音）轉(zhuǎn)換下可以找到了，還可以跟老司機(jī)交流討教！

本文的文字及圖片來(lái)源于網(wǎng)絡(luò)加上自己的想法,僅供學(xué)習(xí)、交流使用,不具有任何商業(yè)用途,版權(quán)歸原作者所有,如有問(wèn)題請(qǐng)及時(shí)聯(lián)系我們以作處理。

總結(jié)

以上是生活随笔為你收集整理的Python怎么识别文字？正确的方法详解的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。