战队动态 / 2025-12-02 06:32:10
Python 进阶！实现从任何图像中提取文字，轻松提取图片中的文本！平时工作里是不是经常遇到这种麻烦：别人发的扫描件 PDF、截图里的文字，想复制却只能手动敲？要是文字多，敲到手酸还容易错。今天就教你用 Python 搞定这个问题 —— 不管是普通图片、多语言文字（英语、俄语都能搞），还是 PDF 扫描件，都能自动提取文字，代码直接就能跑，新手也能学会！
一、先搞懂核心工具：我们要用哪些 “帮手”？在动手前，先明白我们依赖的几个关键工具，缺一不可：
工具 / 库
作用说明
Tesseract OCR
核心的 “文字识别引擎”，开源免费，支持多语言，是整个功能的基础
pytesseract
Python 库，用来 “调用” Tesseract 引擎（相当于 Python 和 Tesseract 之间的桥梁）
Pillow（PIL）
Python 图片处理库，用来打开图片、做预处理（比如转黑白图提高识别率）
pdf2image
Python 库，把 PDF 扫描件转成一张张图片（因为 PDF 扫描件本质是图片打包）
Poppler
辅助工具，pdf2image 依赖它才能转 PDF 为图片，必须装
简单说：Tesseract 负责 “认文字”，pytesseract 负责 “让 Python 指挥 Tesseract”，Pillow 负责 “处理图片”，pdf2image+Poppler 负责 “拆 PDF 扫描件”。
二、环境准备：一步步装工具（Mac/Windows 都讲清）这一步最关键！少装一个或配置错，后面代码就跑不起来。按系统一步步来，别跳步。
2.1 先装核心引擎：Tesseract OCR情况 1：Mac 系统Mac 用户需要先装「Homebrew」（如果没装过），打开终端，复制下面的命令回车：
代码语言：python复制# 装Homebrew（如果没装）
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"装完 Homebrew，再装 Tesseract 和多语言包：
代码语言：python复制# 装Tesseract核心
brew install tesseract
# 装所有语言包（包括英语、俄语、中文等，一步到位）
brew install tesseract-lang装完后，终端输tesseract -v，能看到版本号就说明成了。
情况 2：Windows 系统下载 Tesseract 安装包：打开这个链接，往下滑找到 “Latest release”，下载带 “64-bit” 的安装包（比如tesseract-ocr-w64-setup-5.3.3.20231005.exe）。双击安装：关键步骤—— 安装时一定要勾选 “Add Tesseract to PATH”（让电脑全局能找到 Tesseract），如果没勾，后面要手动配环境变量。验证：打开 CMD（命令提示符），输tesseract -v，能看到版本号就成。如果没勾 Add to PATH，手动配环境变量：
右键 “此电脑”→“属性”→“高级系统设置”→“环境变量”→在 “系统变量” 里找 “Path”→“编辑”→“新建”，把 Tesseract 的安装目录（比如C:Program FilesTesseract-OCR）粘贴进去→一路点 “确定”。配完要重启 CMD/IDE，不然不生效！2.2 装 Python 库和 Poppler（处理图片 / PDF）第一步：装 Python 库打开终端 / CMD，输下面的命令，装 3 个库：
代码语言：python复制pip install pytesseract pillow pdf2image第二步：装 Poppler（PDF 转图片用）pdf2image 库需要 Poppler 才能工作，继续按系统装：
系统
安装方法
Mac
终端输brew install poppler，直接搞定
Windows
下载压缩包：打开这个链接，下载最新的 “poppler-xx.xx.xx_x86_64.tar.xz”2. 解压：把压缩包解压到一个路径（比如C:poppler），记住解压后里面的 “bin” 文件夹路径（比如C:popplerpoppler-24.02.0bin）3. 配环境变量：和 Tesseract 一样，把 “bin” 路径加入系统变量的 “Path”，然后重启 CMD/IDE2.3 验证环境是否 OK打开 Python 终端（或 IDE 里新建个.py 文件），跑下面的代码：
代码语言：python复制from PIL import Image
import pytesseract
# 随便找张有英文的图片，替换成你的图片路径
img_path = "test_en.png"
# 打开图片并识别（默认英语）
text = pytesseract.image_to_string(Image.open(img_path), lang="eng")
print(text)如果能打印出图片里的英文，说明环境没问题！如果报错，回头查前面的步骤（尤其是环境变量）。
三、入门：单张图片识别（英语 + 多语言）先从简单的单张图片入手，学会基础用法，再进阶批量处理。
3.1 识别英语图片（默认支持）代码超简单，注释写得很清楚：
代码语言：python复制# 导入需要的库
from PIL import Image # 处理图片
import pytesseract # 调用Tesseract
# 1. 定义图片路径（替换成你自己的图片路径，支持png、jpg、jpeg）
image_path = "english_image.jpg"
# 2. 打开图片
img = Image.open(image_path)
# 3. 调用Tesseract识别文字（lang="eng"表示英语，默认也是eng，可省略）
# 这里加了encoding='utf-8'，避免中文乱码（虽然这里是英语，但养成习惯）
text = pytesseract.image_to_string(img, lang="eng", encoding='utf-8')
# 4. 打印结果
print("识别到的文字：")
print("-" * 50) # 分隔线，看起来清楚
print(text)运行步骤：
找一张有英语的图片（比如截图、扫描件），改名为english_image.jpg，和代码放同一文件夹；运行代码，就能看到图片里的英文被提取出来了。3.2 识别多语言（比如英语 + 俄语）要识别其他语言，得先确认 “语言代码”，再装对应语言包（Mac 之前装了tesseract-lang，Windows 要手动下）。
第一步：常用语言代码表记不住没关系，收藏这个表：
语言
Tesseract 语言代码
说明
英语
eng
默认自带，不用额外装
简体中文
chi_sim
需要装语言包
俄语
rus
需要装语言包
日语
jpn
需要装语言包
法语
fra
需要装语言包
德语
deu
需要装语言包
第二步：Windows 手动装语言包（Mac 跳过）打开Tesseract 语言包仓库；搜索语言代码对应的文件，比如俄语搜 “rus”，找到rus.traineddata；点 “Download” 下载，把文件放到 Tesseract 的tessdata目录（比如C:Program FilesTesseract-OCRtessdata）。第三步：多语言识别代码比如识别一张既有英语又有俄语的图片：
代码语言：python复制from PIL import Image
import pytesseract
image_path = "eng_rus_image.png" # 你的双语图片路径
img = Image.open(image_path)
# 关键：lang参数用+连接多个语言代码
text = pytesseract.image_to_string(img, lang="eng+rus", encoding='utf-8')
print("双语识别结果：")
print("-" * 50)
print(text)运行后，就能同时提取出英语和俄语文字了。
四、进阶：封装 ImageReader 类（批量 + 复用）写代码不能每次都复制粘贴，我们把识别逻辑封装成一个类，以后用的时候直接调用，支持单张、批量、PDF 处理，还能配置语言和保存结果。
这个类的代码直接能跑，注释写得很详细，你只需要改路径就行：
代码语言：python复制import os # 处理文件/文件夹路径
from PIL import Image # 处理图片
import pytesseract # 调用Tesseract
from pdf2image import convert_from_path # PDF转图片
class ImageReader:
def __init__(self, lang='eng', output_dir=None):
"""
初始化ImageReader（创建实例时调用）
:param lang: 识别语言，默认英语（eng），多语言用+连接（如'eng+rus'）
:param output_dir: 结果保存目录，None则不保存，默认None
"""
self.lang = lang # 保存语言参数
self.output_dir = output_dir # 保存结果目录
# 如果指定了保存目录，不存在就自动创建
if self.output_dir and not os.path.exists(self.output_dir):
os.makedirs(self.output_dir)
print(f"创建结果保存目录：{self.output_dir}")
def _preprocess_image(self, image):
"""
【私有方法】图片预处理：灰度化+二值化，提高识别率（不用手动调用）
原理：彩色图干扰多，转黑白图后文字更突出
:param image: PIL.Image对象
:return: 预处理后的PIL.Image对象
"""
# 1. 转灰度图（L模式：每个像素0-255，0是黑，255是白）
gray_img = image.convert('L')
# 2. 二值化：把灰度图变成纯黑白（阈值127，可根据图片调整）
# 像素值>127设为255（白），否则0（黑），文字更清晰
threshold = 127
binary_img = gray_img.point(lambda x: 255 if x > threshold else 0)
return binary_img
def read_single_image(self, image_path, preprocess=True, save_result=False):
"""
识别单张图片
:param image_path: 图片路径（支持png、jpg、jpeg等）
:param preprocess: 是否预处理图片，默认True（推荐开）
:param save_result: 是否保存结果到文件，默认False
:return: 识别到的文字字符串
"""
# 检查图片是否存在
if not os.path.exists(image_path):
raise FileNotFoundError(f"图片找不到：{image_path}")
# 打开图片（捕获异常，避免图片损坏报错）
try:
img = Image.open(image_path)
except Exception as e:
raise ValueError(f"打开图片失败：{e}")
# 图片预处理（如果开启）
if preprocess:
img = self._preprocess_image(img)
# 调用Tesseract识别文字（捕获常见错误）
try:
text = pytesseract.image_to_string(img, lang=self.lang, encoding='utf-8')
except pytesseract.TesseractNotFoundError:
raise Exception("没找到Tesseract！先装Tesseract并配环境变量")
except Exception as e:
raise Exception(f"识别失败：{e}")
# 保存结果（如果开启且指定了目录）
if save_result and self.output_dir:
# 取图片文件名（不含后缀），比如"test.png"→"test"
file_name = os.path.splitext(os.path.basename(image_path))[0]
# 结果文件路径：保存目录/文件名_result.txt
result_path = os.path.join(self.output_dir, f"{file_name}_result.txt")
# 用utf-8编码保存，避免乱码
with open(result_path, 'w', encoding='utf-8') as f:
f.write(text)
print(f"结果已保存到：{result_path}")
return text
def read_batch_images(self, folder_path, preprocess=True, save_result=True):
"""
批量识别文件夹下所有图片
:param folder_path: 图片文件夹路径
:param preprocess: 是否预处理，默认True
:param save_result: 是否保存结果，默认True
:return: 字典，key=图片路径，value=识别结果
"""
# 检查文件夹是否存在
if not os.path.isdir(folder_path):
raise NotADirectoryError(f"文件夹找不到：{folder_path}")
# 支持的图片格式（小写，避免漏判）
supported_formats = ('.png', '.jpg', '.jpeg', '.bmp', '.tiff')
# 存储所有结果
batch_result = {}
# 遍历文件夹里的所有文件
for file_name in os.listdir(folder_path):
# 只处理支持的图片格式
if file_name.lower().endswith(supported_formats):
file_path = os.path.join(folder_path, file_name)
print(f"正在处理：{file_path}")
# 调用单张图片识别方法
try:
text = self.read_single_image(
file_path, preprocess=preprocess, save_result=save_result
)
batch_result[file_path] = text
print(f"处理完成：{file_name}")
except Exception as e:
batch_result[file_path] = f"处理失败：{e}"
print(f"处理失败：{file_name} → {e}")
return batch_result
def read_pdf_scan(self, pdf_path, dpi=300, preprocess=True, save_result=True):
"""
识别PDF扫描件（本质是图片组成的PDF）
:param pdf_path: PDF文件路径
:param dpi: 转图片的分辨率，dpi越高越清晰，默认300（推荐）
:param preprocess: 是否预处理，默认True
:param save_result: 是否保存结果，默认True
:return: 字典，key=页码（从1开始），value=该页识别结果
"""
# 检查PDF是否存在
if not os.path.exists(pdf_path):
raise FileNotFoundError(f"PDF找不到：{pdf_path}")
# 把PDF转成图片（每页一张），依赖Poppler
try:
# dpi=300：分辨率，比默认150更清晰，识别率更高
pages = convert_from_path(pdf_path, dpi=dpi)
print(f"PDF共{len(pages)}页，已转成图片")
except Exception as e:
raise Exception(f"PDF转图片失败：{e}（可能没装Poppler或没配环境变量）")
# 存储每页结果
pdf_result = {}
# 遍历每页图片（page_num从1开始）
for page_num, page_img in enumerate(pages, start=1):
print(f"正在处理PDF第{page_num}页")
# 图片预处理
if preprocess:
page_img = self._preprocess_image(page_img)
# 识别文字
try:
text = pytesseract.image_to_string(page_img, lang=self.lang, encoding='utf-8')
pdf_result[page_num] = text
print(f"PDF第{page_num}页处理完成")
except Exception as e:
pdf_result[page_num] = f"处理失败：{e}"
print(f"PDF第{page_num}页处理失败：{e}")
# 保存PDF识别结果（合并所有页）
if save_result and self.output_dir:
file_name = os.path.splitext(os.path.basename(pdf_path))[0]
result_path = os.path.join(self.output_dir, f"{file_name}_pdf_result.txt")
with open(result_path, 'w', encoding='utf-8') as f:
for page_num, text in pdf_result.items():
f.write(f"=== PDF第{page_num}页 ===n")
f.write(text)
f.write("nn") # 每页之间空两行，方便阅读
print(f"PDF结果已保存到：{result_path}")
return pdf_result4.2 如何使用这个类？（示例代码）把上面的类代码保存为ocr_tool.py，然后新建一个main.py，写调用代码：
代码语言：python复制# main.py
from ocr_tool import ImageReader # 导入我们封装的类
if __name__ == "__main__":
# 1. 初始化ImageReader：识别英语+俄语，结果保存到"ocr_results"文件夹
# 如果你要识别中文，把lang改成"chi_sim"，记得装中文语言包
reader = ImageReader(lang="eng+rus", output_dir="ocr_results")
# ------------------- 示例1：识别单张图片 -------------------
print("=== 示例1：单张图片识别 ===")
single_img_path = "test_eng_rus.png" # 你的图片路径
try:
# 识别并保存结果
single_text = reader.read_single_image(single_img_path, save_result=True)
print("识别结果：")
print("-" * 50)
print(single_text)
except Exception as e:
print(f"单张图片处理出错：{e}")
# ------------------- 示例2：批量识别图片 -------------------
print("n=== 示例2：批量识别图片 ===")
batch_folder = "test_images" # 你的图片文件夹路径（里面全是图片）
try:
batch_result = reader.read_batch_images(batch_folder)
# 打印汇总结果（只打印前100个字符，避免输出太长）
print("n批量处理汇总：")
for img_path, text in batch_result.items():
print(f"图片：{os.path.basename(img_path)}")
print(f"结果：{text[:100]}..." if len(text) > 100 else f"结果：{text}")
print("-" * 30)
except Exception as e:
print(f"批量处理出错：{e}")
# ------------------- 示例3：识别PDF扫描件 -------------------
print("n=== 示例3：PDF扫描件识别 ===")
pdf_path = "test_scan.pdf" # 你的PDF扫描件路径
try:
pdf_result = reader.read_pdf_scan(pdf_path)
# 打印汇总结果
print("nPDF处理汇总：")
for page_num, text in pdf_result.items():
print(f"第{page_num}页：{text[:100]}..." if len(text) > 100 else f"第{page_num}页：{text}")
print("-" * 30)
except Exception as e:
print(f"PDF处理出错：{e}")运行步骤：
准备好测试文件：一张双语图片（test_eng_rus.png）、一个图片文件夹（test_images）、一个 PDF 扫描件（test_scan.pdf）；运行main.py，就能看到结果，同时在ocr_results文件夹里找到保存的文本文件。五、优化：提高识别准确率的小技巧有时候识别结果会有乱码或错字，主要是图片质量问题，试试这些优化方法：
5.1 优化图片预处理我们的类里已经有 “灰度化 + 二值化”，但可以根据图片调整参数：
调整二值化阈值：如果图片偏暗，把_preprocess_image里的threshold改小（比如 100）；如果偏亮，改大（比如 150）。降噪：如果图片有杂点，加一步降噪，比如用 Pillow 的filter：代码语言：python复制from PIL import ImageFilter # 导入滤镜模块
def _preprocess_image(self, image):
gray_img = image.convert('L')
# 加一步高斯模糊降噪（可选，根据图片情况用）
blurred_img = gray_img.filter(ImageFilter.GaussianBlur(radius=0.5))
# 再二值化
threshold = 127
binary_img = blurred_img.point(lambda x: 255 if x > threshold else 0)
return binary_img5.2 提高图片分辨率普通图片：用图片编辑工具放大（比如 Photoshop、在线工具），保持清晰度。PDF 扫描件：转图片时把dpi设高，比如dpi=600（但会变慢，300 足够日常用）。5.3 选择更精准的语言包比如识别中文，用chi_sim（简体）而不是chi_tra（繁体）；识别俄语用rus，别用其他相近语言的代码。
六、常见问题与解决方法（避坑指南）这部分是重点！新手最容易踩这些坑，收藏好：
常见错误 / 问题
可能原因
解决方法
TesseractNotFoundError
没装 Tesseract；2. 装了但没配环境变量按前面步骤装 Tesseract；2. 配环境变量后重启 IDE；3. 手动指定路径：pytesseract.pytesseract.tesseract_cmd = r'C:Program FilesTesseract-OCRtesseract.exe'（Windows）PopplerNotInstalledError
没装 Poppler 或没配环境变量
按步骤装 Poppler；2. 配环境变量后重启 IDE；3. 转 PDF 时指定 Poppler 路径：pages = convert_from_path(pdf_path, poppler_path=r'C:popplerbin')（Windows） 多语言识别没效果（全是英语）
没装对应语言包；2. lang 参数写错 Windows：下语言包放 tessdata；Mac：brew install tesseract-lang；2. 查语言代码表，比如俄语是rus不是russian 识别结果是乱码 / 空白
图片模糊 / 分辨率低；2. 编码问题 做图片预处理（灰度化 + 二值化）；2. 保存结果时用encoding='utf-8'；3. 提高图片分辨率 打开图片报错 “cannot identify image file”
图片损坏或格式不支持
用图片工具打开验证是否完好；2. 转成 png/jpg 格式再试 环境变量配置后还是报错
没重启 IDE 或终端
环境变量修改后，必须重启 PyCharm、VS Code 等 IDE，或者重启 CMD，不然不生效
七、OCR 相关面试题与回答技巧如果面试时被问到相关问题，这么回答，显得你有实战经验：
面试题 1：你用 Python 做过图像文字提取吗？具体用了哪些工具？回答：做过。核心用的是开源的 Tesseract OCR 引擎，Python 这边用 pytesseract 库调用 Tesseract，用 Pillow 处理图片（打开、预处理）。如果要处理 PDF 扫描件，会用 pdf2image 把 PDF 转成图片，这个库需要依赖 Poppler 工具。流程是：先装工具并配置环境，然后预处理图片（灰度化、二值化），再调用 Tesseract 识别，最后输出结果。我还封装过一个 ImageReader 类，支持单张、批量、PDF 处理，方便复用。
面试题 2：Tesseract 怎么支持多语言？比如英语和中文同时识别。回答：首先 Tesseract 默认只有英语包，其他语言需要单独装。Mac 用brew install tesseract-lang就能装所有语言包；Windows 要去 GitHub 的 tessdata 仓库下载对应语言的 traineddata 文件（比如中文是 chi_sim.traineddata），放到 Tesseract 的 tessdata 目录。然后调用时指定 lang 参数，多语言用 + 连接，比如lang='eng+chi_sim'，这样就能同时识别英语和中文了。
面试题 3：如何提高 OCR 的识别准确率？回答：主要从图片预处理和工具配置入手。比如：1. 图片预处理，把彩色图转灰度图、二值化，减少干扰；2. 提高图片分辨率，比如 PDF 转图片时设 dpi=300；3. 选择精准的语言包，避免用错代码；4. 如果图片有杂点，加高斯模糊降噪；5. 确保 Tesseract 和语言包是最新版本，修复旧版本的 bug。这些方法能解决大部分日常场景的准确率问题。
面试题 4：PDF 扫描件和普通 PDF 有什么区别？怎么处理 PDF 扫描件的文字提取？回答：普通 PDF 是文本型的，能直接复制文字；PDF 扫描件是图像型的，本质是把图片打包成 PDF，不能直接读文字。处理流程是：先用 pdf2image 库把 PDF 的每一页转成图片，这个库需要 Poppler 支持；转图片时设合适的 dpi（比如 300）提高清晰度；然后对每张图片做预处理（灰度化、二值化）；再用 pytesseract 识别文字；最后把所有页的结果合并，按页码保存。
八、总结与扩展到这里，你已经掌握了 Python 提取图像文字的核心技能：从环境配置到单张 / 批量 / PDF 处理，还能解决常见问题。这个方案的优点是开源免费、支持多语言、代码可复用，适合日常办公、数据分析等场景。
如果需要更高级的功能，可以试试这些扩展方向：
结合 OpenCV：做更复杂的预处理，比如图片倾斜矫正、去除水印；调用商业 OCR API：如果 Tesseract 满足不了（比如识别手写体），可以用百度 AI、阿里云的 OCR API，准确率更高；做 GUI 工具：用 PyQt 或 Tkinter 做个界面，让不懂代码的人也能拖放图片识别；批量处理文件夹下的所有 PDF：在 ImageReader 类里加个read_batch_pdfs方法，遍历文件夹里的 PDF 文件。快去试试吧！把代码跑起来，处理你手边的扫描件或截图，省下手动敲字的时间～
经典相传智行盒子