Python自動化辦公-編寫一個OCR識別程序

OCR 的全稱是 Optical Character Recognition，即光學字符識別，通俗點講就是文字識別。在辦公領域，最常用的就是識別圖片上的文字，比如識別圖片中的發(fā)票信息、合同信息、Excel 或者 Word 截圖，比如說你對著喜歡的幾頁書拍了照，想把里面的文字摳出來怎么辦？

現(xiàn)在的手機可能都有這個功能，但還不夠智能，無法進行訓練，再說要是有一堆圖片需要處理呢？還是自己動手，豐衣足食，今天來分享一下如何 Python 寫一個 OCR 識別程序。授人以漁，本文的思路適用于編寫任意一個日常小工具。

第一步，看看已有的輪子

軟件開發(fā)忌重復造輪子，對普通程序員來講，也很難造一個好用的輪子，拿來主義真香，萬千牛逼的庫，雖不是我所有，卻為我所用。

瀏覽器打開?https://github.com，搜索OCR，選擇編程語言 Python，可以看到如下結果：

通常情況下，我會選擇 star 數(shù)量最多的，因為我相信程序員都是在真誠的點贊。

看完輪子的基本介紹，你選擇適合自己的就好。

第二步，簡單學習下要用的輪子

一般情況下，倉庫的 README 上都有安裝方法和使用教程，不過大部分都是英文，所以平時多記些英文單詞，對于學習技術是很有幫助的。

比如說這個https://github.com/PaddlePaddle/PaddleOCR，很幸運，它是有中文的：

按照這個教程，自己實踐一下：

安裝

pip?install?"paddleocr>=2.0.1"

等待 pip 安裝完成。

我在 Python 3.8.5 版本上使用 pip 安裝順利通過，而使用 pyenv 的 Python 就一直報編譯失敗的錯誤，因此不推薦 pyenv 來管理你的 Python 版本。我的做法是在本機上安裝多個 Python 版本，要用哪個版本時啟用對應的版本使用如下的命令創(chuàng)建一個虛擬環(huán)境：

python3.8?-m?venv?py38env
python3.9?-m?venv?py39env

假如要用 Python3.9 那就?source ~/py39env/bin/activate

如果安裝過程報錯了：

遇到報錯，不要慌，只要思想不滑坡，辦法總比困難多。

報錯信息提示 pip 遇到了編譯錯誤，這也是 Python 為人詬病的地方，第三方庫源代碼安裝時經(jīng)常遇到編譯錯誤，你看人家 Java，一個 jar 包處處都能用。

畢竟沒有完美的語言，理解一下，理解一下。

觀察報錯前的打印信息，pip 正在安裝的是 scikit-image 0.17.2，只要我們找到 scikit-image 的二進制包（別人已經(jīng)按照對應的平臺編譯好了），也就是 whl 文件，直接安裝一下完事，這個 whl 文件，要去 pypi 上找。瀏覽器打開 pypi.org，搜索 scikit-image，找到 0.17.2 版本，點開看看，結果如下：

發(fā)現(xiàn) 0.17.2 版本最高支持 Python3.8，如果你的 Python 版本是 3.9，勸你降低版本后安裝。

選擇對應 Python 版本、操作系統(tǒng)進行下載（要是下載慢，請用迅雷下載），然后，pip install 即可。

使用

找個圖片試用一下：

1.jpg

paddleocr?--image_dir?1.jpg?--use_angle_cls?true?--use_gpu?false

結果報了錯，提示"ModuleNotFoundError: No module named 'paddle'"，在 Issues 里面搜索一下找到了解決方案：

pip?install?paddlepaddle

然后再次執(zhí)行識別出結果：

第三步，設計自己的程序。

工具雖然可以直接命令行使用，但結果不是很直觀，我們可以寫一個腳本，調用下它的接口，將圖片路徑作為參數(shù)輸入，將識別出的文本內(nèi)容作為輸出，保存在相同路徑下的文本文件中，文件名就是圖片名+.txt。

參考官方的示例，可以很輕松寫出如下代碼：

import?sys
from?paddleocr?import?PaddleOCR,draw_ocr

def?get_text_to_txt(img_path:?str)?->None:

????ocr?=?PaddleOCR(use_angle_cls=True,?use_gpu?=?False,?show_log?=?False,?lang='ch')?#?need?to?run?only?once?to?download?and?load?model?into?memory
????result?=?ocr.ocr(img_path,?cls=True)

????with?open(img_path+".txt",?"w")?as?writer:
????????for?line?in?result:
????????????print(line)
????????????writer.write(line[-1][0])
????????????writer.write("\n")

if?__name__?==?'__main__':
????get_text_to_txt(sys.argv[1])

保存為 ocr_demo.py 然后就可以在命令行調用：

??python?ocr_demo.py?/Users/aaron/Downloads/ppocr_img/imgs/1.jpg?>>?/dev/null
??cat?/Users/aaron/Downloads/ppocr_img/imgs/1.jpg.txt
土地整治與土壤修復研究中心
華南農(nóng)業(yè)大學|東圖

至此腳本搞定。

最后

本文通過使用開源工具 paddleocr，分享了 Python OCR 程序的制作過程，paddleocr 支持 80 多種語言，支持用戶自定義訓練，還提供豐富的預測推理部署方案，更多技術細節(jié)還請參考官方倉庫：https://github.com/PaddlePaddle/PaddleOCR

程序報錯不可怕，可怕的是你看到錯誤就放棄了。

如果有幫助，請點贊、在看、關注支持，感謝路上有你。