Python中图片与pdf识别文本的方法总结(OCR)_Python

1、paddleocr：

基于百度飞桨框架开发，模型丰富，支持多语言识别，包括中文、英文等。性能强大，适合复杂场景的文字识别

安装 paddleocr 库：

pip install paddleocr

示例代码

from paddleocr import paddleocr, draw_ocr
from pil import image

# 初始化 paddleocr
# 参数解释：
# `lang`：指定语言模型，如 'en'（英文）、'ch'（中文）等。
# `use_angle_cls`：是否启用文字方向分类器。
ocr = paddleocr(use_angle_cls=true, lang='en')  # 也可以设置为 'ch' 用于中文[^28^]

# 指定图片路径
img_path = 'example.jpg'  # 替换为你的图片路径

# 执行 ocr 识别
result = ocr.ocr(img_path, cls=true)  # `cls=true` 表示启用方向分类器

# 打印识别结果
for line in result:
    print(line)

# 可选：绘制识别结果并保存
if result:
    image = image.open(img_path).convert('rgb')
    boxes = [line[0] for line in result]  # 提取文字框
    txts = [line[1][0] for line in result]  # 提取文字内容
    scores = [line[1][1] for line in result]  # 提取置信度

    # 绘制结果
    im_show = draw_ocr(image, boxes, txts, scores, font_path='path/to/paddleocr/doc/fonts/simfang.ttf')
    im_show = image.fromarray(im_show)
    im_show.save('result.jpg')  # 保存绘制后的图片[^28^]

2、rapidocr

首先，确保安装了 rapidocr 的 onnxruntime 版本，这是一个轻量级且高效的推理引擎：

pip install rapidocr_onnxruntime

示例代码：识别数字和字母

以下代码展示了如何使用 rapidocr 识别图片中的数字和字母，并仅打印识别结果：

from rapidocr_onnxruntime import rapidocr

# 初始化 ocr 引擎
ocr = rapidocr()

# 指定图片路径
img_path = 'example.jpg'  # 替换为你的图片路径

# 执行识别
result, _ = ocr(img_path)

# 提取并打印识别结果（仅数字和字母）
if result:
    for line in result:
        text = line[1]  # 提取文字内容
        # 筛选只包含数字和字母的文本
        if text.isalnum():
            print(text)
else:
    print("未识别到文字")

注意事项

图片路径：确保 img_path 指向的图片包含数字或字母。
语言设置：默认情况下，rapidocr 支持中英文混合识别。如果需要识别其他语言，可以参考文档进行配置。
环境要求：确保 python 版本为 3.6 或更高。

3、easyocr

特点：易于使用，支持多种语言（包括中文、英文等），基于深度学习技术，适合初学者和快速集成。
安装方法：
```
pip install easyocr
```

使用示例：

import easyocr

reader = easyocr.reader(['en', 'ch_sim'])  # 支持多语言
img_path = 'example.jpg'
result = reader.readtext(img_path)
for line in result:
    print(line[1])  # 打印识别结果

4、pytesseract

特点：tesseract 的 python 封装，支持多种语言，使用简单，适合传统 ocr 任务。
安装方法：
```
pip install pytesseract
```
需要先安装 tesseract ocr，可以从 tesseract 官网下载。

使用示例：

from pil import image
import pytesseract

img_path = 'example.jpg'
text = pytesseract.image_to_string(image.open(img_path), lang='eng')
print(text)  # 打印识别结果

5、doctr

特点：专注于文档分析和表格识别，能够提取文档中的结构化信息，适合处理复杂布局的文档。
安装方法：
```
pip install python-doctr
```

使用示例：

from doctr.models import ocr_predictor
from doctr.io import documentfile

img_path = 'example.jpg'
doc = documentfile.from_images(img_path)
model = ocr_predictor(pretrained=true)
result = model(doc)
for block in result.pages[0].blocks:
    for line in block.lines:
        for word in line.words:
            print(word.value)  # 打印识别结果

6、pyocr

特点：封装了多个 ocr 引擎（如 tesseract、cuneiform 等），提供了统一的接口。
安装方法：
```
pip install pyocr
```

使用示例：

import pyocr
from pil import image

tools = pyocr.get_available_tools()
ocr_tool = tools[0]
img_path = 'example.jpg'
text = ocr_tool.image_to_string(image.open(img_path), lang='eng')
print(text)  # 打印识别结果

选择建议：