pytesseract是Python中调用Tesseract进行OCR最稳定、中文支持最成熟的本地方案,需先安装tesseract引擎及chi_sim语言包,再配合Pillow预处理图像并指定lang='chi_sim'和config='--psm 6'。

用 pytesseract 提取图片文字最直接可行
不是所有 OCR 库都适合快速落地,pytesseract 是 Python 生态里调用 Tesseract 引擎最稳定、中文支持最成熟的方案。它不依赖云 API,本地运行,适合批量处理私有图片。但前提是系统必须先装好 tesseract 命令行程序——很多人卡在这步,不是 Python 包没装对,而是底层引擎根本没装。
实操建议:
立即学习“Python免费学习笔记(深入)”;
Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式,核对必要参数、依赖环境与输出内容,并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期,并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看,该技能
- macOS 用户用
brew install tesseract --with-lang(加--with-lang才包含chi_sim.traineddata) - Windows 用户去 UB-Mannheim 官方页 下载安装包,安装时勾选 Chinese (simplied) 语言包
- Linux 用户执行
sudo apt install tesseract-ocr tesseract-ocr-chi-sim(Ubuntu/Debian) - Python 端只装
pytesseract和Pillow:pip install pytesseract Pillow
pytesseract.image_to_string() 的关键参数怎么设
默认调用会返回乱码或空字符串,核心问题出在语言和图像预处理上。Tesseract 对输入质量敏感,纯靠参数硬调效果有限,得配合 Pillow 做基础清理。
实操建议:
立即学习“Python免费学习笔记(深入)”;
- 必须显式指定
lang='chi_sim'(简体中文),英文图用lang='eng',混排可写lang='chi_sim+eng' - 优先用
config='--psm 6':告诉 Tesseract 当前是单块均匀文本(如截图、文档扫描页),比默认psm 3(自动检测)更准 - 图像要转灰度 + 二值化:
img = img.convert('L').point(lambda x: 0 if x ,模糊或低对比图必须做 - 字体太小(img.rotate(角度, expand=True) 校正,再传入 OCR
保存结果为 .txt 或 .docx?别绕弯子
OCR 结果本质是字符串,保存成文本文件直接用内置 open(..., 'w', encoding='utf-8') 就行;要存 .docx 必须引入 python-docx,但它只生成基础格式,不保留原图排版、表格、字体样式——这点常被高估。
实操建议:
立即学习“Python免费学习笔记(深入)”;
- 存纯文本:用
with open('output.txt', 'w', encoding='utf-8') as f: f.write(text),注意编码必须是utf-8,否则中文写入会报错或乱码 - 存 .docx:装
python-docx后,from docx import Document; doc = Document(); doc.add_paragraph(text); doc.save('output.docx') - 如果图片含多栏、标题、列表,不要指望 OCR 自动还原结构——
pytesseract输出的是线性文本流,段落换行靠\n分隔,需手动按规则切分(比如连续空行当节分隔)
为什么识别结果缺字、串行、漏标点
这不是代码 bug,而是 Tesseract 的固有限制:它把图像当“文字块”识别,不理解语义。常见诱因是图片质量差、文字粘连、背景干扰、字号突变。强行调参不如先看图。
排查顺序:
- 用
img.show()看原始图是否清晰——模糊、反光、阴影直接导致失败 - 检查
image_to_boxes()返回的坐标,看识别区域是否覆盖了目标文字(常发现只扫了图一角) - 试
image_to_data(),它返回每行置信度(conf字段),conf 的行基本不可信,可过滤掉 - 竖排中文?Tesseract 原生不支持,必须先旋转 90° 变横排,OCR 后再人工调整顺序
真正难的不是调通代码,是判断哪张图值得 OCR、哪张该重拍或换工具。有些扫描件带水印或底纹,用 OpenCV 做背景抑制比调 pytesseract 参数更有效。

















