用Python做一个 OCR 文字识别工具，轻松提取图片中的文字
还记得那个深夜。我对着一堆扫描的发票图片发愁——财务要求提取所有金额数据做报表。
手工录入？几百张图片能要人命。
那时我才真正意识到 OCR技术 的价值。不只是识别文字那么简单，更是解放生产力的利器。
从Tesseract说起——开源OCR的王者
Tesseract最初由惠普开发，后来被Google接手优化。这个项目的演进史就是OCR技术发展的缩影。
早期版本识别率感人...... 现在的4.0+版本已经相当强悍了。
import pytesseract
from PIL import Image
import cv2
import numpy as np
def simple_ocr(image_path)：
"""最基础的OCR实现——效果往往不理想"""
image = Image.open(image_path)
text = pytesseract.image_to_string(image， lang='chi_sim')
return text
# 这样写的话，识别率大概只有60%左右问题在哪？
图片质量直接决定识别效果。现实中的图片往往有噪声、倾斜、光照不均等问题。
预处理——让OCR如虎添翼
我在实际项目中发现，图像预处理往往比OCR算法本身更重要。
def preprocess_image(image_path)：
"""图像预处理的完整流程"""
# 读取图像
img = cv2.imread(image_path)
# 转换为灰度图
gray = cv2.cvtColor(img， cv2.COLOR_BGR2GRAY)
# 去噪处理
denoised = cv2.medianBlur(gray， 5)
# 二值化处理——这步很关键
_， binary = cv2.threshold(denoised， 0， 255，
cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 形态学操作，连接断开的文字
kernel = np.ones((2，2)， np.uint8)
processed = cv2.morphologyEx(binary， cv2.MORPH_CLOSE， kernel)
return processed这套预处理流程能把识别率从60%提升到85%以上！
经验告诉我，OTSU自适应阈值 比固定阈值效果好太多。它会自动计算最佳的二值化阈值。
深度优化——细节决定成败
真正的挑战在于处理各种边缘情况。
def advanced_ocr(image_path)：
"""生产级别的OCR实现"""
# 预处理
processed_img = preprocess_image(image_path)
# 倾斜校正——很多人忽略这步
coords = np.column_stack(np.where(processed_img > 0))
angle = cv2.minAreaRect(coords)[-1]
if angle < -45：
angle = -(90 + angle)
else：
angle = -angle
# 旋转图像
(h， w) = processed_img.shape[：2]
center = (w // 2， h // 2)
M = cv2.getRotationMatrix2D(center， angle， 1.0)
rotated = cv2.warpAffine(processed_img， M， (w， h)，
flags=cv2.INTER_CUBIC，
borderMode=cv2.BORDER_REPLICATE)
# 配置Tesseract参数
custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'
# OCR识别
text = pytesseract.image_to_string(rotated，
lang='chi_sim+eng'，
config=custom_config)
return text.strip()PSM模式 的选择很关键。PSM 6适合统一的文本块，PSM 8适合单个词，PSM 13适合单行文本。
性能对比——数据说话
我做过一个对比测试（Python 3.9，8GB内存环境）：
- 基础OCR：平均耗时2.3秒，识别率62%
- 加入预处理：平均耗时3.1秒，识别率87%
- 完整优化版：平均耗时4.2秒，识别率94%
时间换准确率。值得。
实际应用中的坑
字符白名单是个双刃剑。
限制太严格会漏掉有用信息，太宽松又会引入噪声。我的经验是根据具体场景动态调整。
发票识别？重点关注数字和常见汉字。 身份证识别？严格限制字符集。
# 针对不同场景的配置
INVOICE_CONFIG = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789.元￥'
ID_CARD_CONFIG = r'--oem 3 --psm 8'语言模型的选择也有讲究。
chi_sim+eng比单独使用chi_sim效果更好，特别是处理中英混合文本时。
超越Tesseract——更多可能性
PaddleOCR是百度开源的解决方案。在中文识别上表现更优秀。
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True， lang='ch')
result = ocr.ocr(image_path， cls=True)EasyOCR支持80多种语言，对于多语言场景很友好。
但我发现，没有银弹。
不同工具在不同场景下表现差异很大。实际项目中往往需要组合使用，甚至自训练模型。
写在最后
OCR不是简单的调API。
真正的挑战在于理解业务场景，选择合适的预处理策略，调优参数配置。
每次看到那些原本需要人工录入几小时的数据，几秒钟就自动提取完成...这种成就感，大概就是技术改变生活的最好诠释吧。
从那个深夜开始，我的工具箱里多了一件趁手的武器。
你呢？准备好让Python为你的工作提效了吗？
