python利用pytesseract 实现本地识别图片文字

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import glob
from os import path
import os
import pytesseract
from PIL import Image
from queue import Queue
import threading
import datetime
import cv2

def convertimg(picfile, outdir):
 '''调整图片大小，对于过大的图片进行压缩
 picfile:  图片路径
 outdir：  图片输出路径
 '''
 img = Image.open(picfile)
 width, height = img.size
 while (width * height > 4000000): # 该数值压缩后的图片大约 两百多k
   width = width // 2
   height = height // 2
 new_img = img.resize((width, height), Image.BILINEAR)
 new_img.save(path.join(outdir, os.path.basename(picfile)))

def baiduOCR(ts_queue):
 while not ts_queue.empty():
   picfile = ts_queue.get()
   filename = path.basename(picfile)
   outfile = 'D:\Study\pythonProject\scrapy\IpProxy\port_zidian.txt'
   img = cv2.imread(picfile, cv2.IMREAD_COLOR)
   print("正在识别图片：\t" + filename)
   message = pytesseract.image_to_string(img,lang = 'eng')
   message = message.replace('', '')
   message = message.replace('\n', '')
   # message = client.basicAccurate(img)  # 通用文字高精度识别，每天 800 次免费
   #print("识别成功！"))
   try:
     filename1 = filename.split('.')[0]
     filename1 = ''.join(filename1)
     with open(outfile, 'a+') as fo:
       fo.writelines('\'' + filename1 + '\'' + ':' + message + ',')
       fo.writelines('\n')
       # fo.writelines("+" * 60 + '\n')
       # fo.writelines("识别图片：\t" + filename + "\n" * 2)
       # fo.writelines("文本内容：\n")
       # # 输出文本内容
       # for text in message.get('words_result'):
       #   fo.writelines(text.get('words') + '\n')
       # fo.writelines('\n' * 2)
     os.remove(filename)
     print("识别成功！")
   except:
     print('识别失败')

print("文本导出成功！")
   print()
def duqu_tupian(dir):
 ts_queue = Queue(10000)

outdir = dir
 # if path.exists(outfile):
 #   os.remove(outfile)
 if not path.exists(outdir):
   os.mkdir(outdir)
 print("压缩过大的图片...")
 # 首先对过大的图片进行压缩，以提高识别速度，将压缩的图片保存与临时文件夹中
 try:
   for picfile in glob.glob(r"D:\Study\pythonProject\scrapy\IpProxy\tmp\*"):
     convertimg(picfile, outdir)
   print("图片识别...")
   for picfile in glob.glob("tmp1/*"):
     ts_queue.put(picfile)
     #baiduOCR(picfile, outfile)
     #os.remove(picfile)
   print('图片文本提取结束！文本输出结果位于文件中。' )
   #os.removedirs(outdir)
   return ts_queue
 except:
   print('失败')

if __name__ == "__main__":

start = datetime.datetime.now().replace(microsecond=0)
 t = 'tmp1'
 s = duqu_tupian(t)
 threads = []
 try:
   for i in range(100):
     t = threading.Thread(target=baiduOCR, name='th-' + str(i), kwargs={'ts_queue': s})
     threads.append(t)
   for t in threads:
     t.start()
   for t in threads:
     t.join()
   end = datetime.datetime.now().replace(microsecond=0)
   print('删除耗时：' + str(end - start))
 except:
   print('识别失败')

实测速度慢，但用了多线程明显提高了速度，但准确度稍低，同样高清图片，90百分识别率。还时不时出现乱码文字，乱空格，这里展现不了，自己实践吧，重点免费的，随便识别，通向100张图片，用时快6分钟了，速度慢了一倍，但是是免费的，挺不错的了。

来源：https://www.cnblogs.com/aotumandaren/p/14128765.html