使用Python的pytesseract库开发简易OCR图片文字识别工具

# 安装 Tesseract 引擎（默认包含英文）
brew install tesseract
# 安装中文语言包（如需识别中文）
brew install tesseract-lang

# 安装 Tesseract 引擎
sudo apt-get install tesseract-ocr
# 安装中文语言包
sudo apt-get install tesseract-ocr-chi-sim  # 简体中文
sudo apt-get install tesseract-ocr-chi-tra  # 繁体中文

pip install pytesseract opencv-python pillow argparse

# 导入所需库
import pytesseract
import cv2
from PIL import Image
import argparse
import os

def image_preprocessing(image_path):
    """
    图片预处理函数：灰度化 → 二值化 → 降噪
    :param image_path: 输入图片路径（相对/绝对路径）
    :return: 预处理后的图片对象（OpenCV 格式，便于后续识别）
    """
    # 1. 读取图片（使用 OpenCV，默认读取为 BGR 格式）
    img = cv2.imread(image_path)
    if img is None:
        raise FileNotFoundError(f"错误：未找到图片文件 {image_path}，请检查路径是否正确。")
    
    # 2. 灰度化：将 BGR 格式转为灰度图（单通道）
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    print("✅ 图片灰度化完成")
    
    # 3. 二值化：使用 Otsu 阈值法（自动计算最佳阈值，适合对比度明显的图片）
    # cv2.THRESH_BINARY_INV：黑白反转（文字为白，背景为黑，提升识别率）
    # cv2.THRESH_OTSU：自动阈值，无需手动调整
    _, binary_img = cv2.threshold(
        gray_img, 
        0, 
        255, 
        cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
    )
    print("✅ 图片二值化完成")
    
    # 4. 降噪：使用高斯模糊去除小噪音（核大小 (3,3) 为经验值，可根据图片调整）
    denoised_img = cv2.GaussianBlur(binary_img, (3, 3), 0)
    print("✅ 图片降噪完成")
    
    return denoised_img

def ocr_recognize(preprocessed_img, lang='eng', tesseract_cmd=None):
    """
    OCR 识别函数：将预处理后的图片转为文字
    :param preprocessed_img: 预处理后的图片（OpenCV 格式）
    :param lang: 识别语言（默认 'eng' 英文，中文用 'chi_sim'，中英文混合用 'chi_sim+eng'）
    :param tesseract_cmd: Tesseract 引擎路径（Windows 若未配置环境变量需指定）
    :return: 识别出的文字字符串
    """
    # 1. 配置 Tesseract 引擎路径（仅 Windows 非环境变量配置时需要）
    if tesseract_cmd:
        pytesseract.pytesseract.tesseract_cmd = tesseract_cmd
    
    # 2. 将 OpenCV 格式图片（numpy array）转为 PIL 格式（pytesseract 更兼容）
    pil_img = Image.fromarray(preprocessed_img)
    
    # 3. 调用 Tesseract 进行识别
    # config 参数：--psm 6 表示将图片视为单一文本块（适合大部分场景）
    custom_config = r'--oem 3 --psm 6'  # oem 3 表示使用默认 OCR 引擎
    text = pytesseract.image_to_string(pil_img, lang=lang, config=custom_config)
    
    # 4. 清理识别结果（去除空行、多余空格）
    cleaned_text = '\n'.join([line.strip() for line in text.split('\n') if line.strip()])
    
    print(f"✅ OCR 识别完成（语言：{lang}）")
    return cleaned_text

def save_result(text, output_path='ocr_result.txt'):
    """
    结果保存函数：将识别出的文字保存到本地文件
    :param text: 识别出的文字
    :param output_path: 输出文件路径（默认当前目录 ocr_result.txt）
    """
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(text)
    print(f"✅ 识别结果已保存到：{os.path.abspath(output_path)}")

def main():
    """
    主函数：解析命令行参数 → 调用预处理 → 调用 OCR 识别 → 保存结果
    """
    # 1. 解析命令行参数（让用户通过命令行传入参数，更灵活）
    parser = argparse.ArgumentParser(description="Python 简易 OCR 识别工具（基于 pytesseract）")
    
    # 必选参数：图片路径
    parser.add_argument(
        '--image', '-i', 
        required=True, 
        help='输入图片路径（如：./test.png 或 C:\\images\\doc.jpg）'
    )
    
    # 可选参数：识别语言（默认英文，中文用 chi_sim，中英文混合用 chi_sim+eng）
    parser.add_argument(
        '--lang', '-l', 
        default='eng', 
        help='识别语言（默认 eng 英文，中文 chi_sim，中英文混合 chi_sim+eng）'
    )
    
    # 可选参数：Tesseract 引擎路径（Windows 未配置环境变量时需指定）
    parser.add_argument(
        '--tesseract-cmd', '-t', 
        default=None, 
        help='Tesseract 引擎路径（如 Windows：C:\\Program Files\\Tesseract-OCR\\tesseract.exe）'
    )
    
    # 可选参数：输出文件路径（默认当前目录 ocr_result.txt）
    parser.add_argument(
        '--output', '-o', 
        default='ocr_result.txt', 
        help='识别结果输出文件路径（默认 ocr_result.txt）'
    )
    
    # 解析参数
    args = parser.parse_args()
    
    try:
        # 2. 图片预处理
        print(f"📥 正在读取图片：{args.image}")
        preprocessed_img = image_preprocessing(args.image)
        
        # 3. OCR 识别
        print("🔍 正在进行 OCR 识别...")
        recognized_text = ocr_recognize(
            preprocessed_img=preprocessed_img,
            lang=args.lang,
            tesseract_cmd=args.tesseract_cmd
        )
        
        # 4. 打印识别结果
        print("\n" + "="*50)
        print("📄 OCR 识别结果：")
        print("="*50)
        print(recognized_text)
        print("="*50 + "\n")
        
        # 5. 保存结果
        save_result(recognized_text, args.output)
        
    except Exception as e:
        # 异常处理（如文件不存在、语言包缺失等）
        print(f"❌ 程序运行出错：{str(e)}")

# 程序入口（只有直接运行脚本时才执行 main 函数）
if __name__ == "__main__":
    main()

# 识别英文图片，默认输出到 ocr_result.txt
python simple_ocr_tool.py -i english_test.png -l eng

# 识别中文图片，输出到 chinese_result.txt
python simple_ocr_tool.py -i chinese_test.png -l chi_sim -o chinese_result.txt

# Windows 系统命令（路径含空格需用英文引号包裹）
python simple_ocr_tool.py -i mix_test.png -l chi_sim+eng -t "C:\Program Files\Tesseract-OCR\tesseract.exe" -o mix_result.txt

# 批量识别指定文件夹下的所有图片（示例：支持 png/jpg/jpeg 格式）
def batch_ocr(folder_path, lang='chi_sim', output_dir='ocr_batch_results'):
    # 创建输出文件夹
    os.makedirs(output_dir, exist_ok=True)
    # 遍历文件夹中的图片
    for filename in os.listdir(folder_path):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            image_path = os.path.join(folder_path, filename)
            print(f"\n📥 正在处理图片：{filename}")
            try:
                # 预处理 + 识别
                preprocessed_img = image_preprocessing(image_path)
                recognized_text = ocr_recognize(preprocessed_img, lang=lang)
                # 保存结果（以图片名命名结果文件）
                output_path = os.path.join(output_dir, f"{os.path.splitext(filename)[0]}.txt")
                save_result(recognized_text, output_path)
            except Exception as e:
                print(f"❌ 处理 {filename} 失败：{str(e)}")

pyinstaller -F -i ocr_icon.ico simple_ocr_tool.py