简单的截图识别功能

简单的截图识别功能

背景

有时候我们在看电子书的时候，尤其是不能复制的那种，想做笔记的时候的一个一个的敲，就显得比较麻烦。我在网上找了一下关于一些识别文字的，整理了一份简单的供自己使用的截图识别文字的小程序。

准备

1. OCR（optical character recognition）相关
   使用google的开源的框架github tesseract-ocr，都已经弄好了，试了下基本上识别率还行，就先用这个了。
   tesseract-ocr下载地址，在下载页面按照自己的系统下载就行了。

安装完可查看，安装的信息

    C:\Program Files\Tesseract-OCR>tesseract
    Usage:
    tesseract --help | --help-extra | --version
    tesseract --list-langs
    tesseract imagename outputbase [options...] [configfile...]

    OCR options:
    -l LANG[+LANG]        Specify language(s) used for OCR.
    NOTE: These options must occur before any configfile.

    Single options:
    --help                Show this help message.
    --help-extra          Show extra help for advanced users.
    --version             Show version information.
    --list-langs          List available languages for tesseract engine.

    C:\Program Files\Tesseract-OCR>tesseract --list-langs
    List of available languages in "C:\Program Files\Tesseract-OCR/tessdata/" (4):
    eng
    osd

2. OCR 语言包
   OCR中文语言包下载github语言包

   找到简体中文的两个文件，有想要下载其他语言包的自行下载
   chi_sim.traineddata
   chi_sim_vert.traineddata

   将下载好的包放到 C:\Program Files\Tesseract-OCR\tessdata 安装 Tesseract-OCR 下的 tessdata 目录里，在控制台可以再次查看 tesseract --list-langs

   C:\Program Files\Tesseract-OCR>tesseract --list-langs
   List of available languages in "C:\Program Files\Tesseract-OCR/tessdata/" (4):
   chi_sim
   chi_sim_vert
   eng
   osd
   

3. python 包

    pip install Pillow
    pip install pytesseract

特别提醒：有报错的话需要调整一个地方
修改 pytesseract （这个是我的包的目录 F:\Python\Vens\base\Lib\site-packages\pytesseract\pytesseract.py） 包中 pytesseract.py 中 tesseract_cmd 的路径到自己安装 Tesseract-OCR 的目录，
tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

代码

from PIL import Image, ImageGrab
import pytesseract

class Languages(object):
    CHS = 'chi_sim'
    ENG = 'eng'

def img_to_str(image_path, lang=Languages.ENG):
    im2 = ImageGrab.grabclipboard()   # 获取截图文件,不要直接使用这个文件，会提示文件格式不正确，先保存成png格式的
    if isinstance(im2, Image.Image):
        im2.save(image_path)

    content = pytesseract.image_to_string(Image.open(image_path), lang) # 获取截图文件
    result = ''
    for x in content:
        result += x.strip(' ')
    return result

print(img_to_str('OCRImages/1.png', lang=Languages.CHS))

文件目录：

测试

测试图片：

result：

(base) F:\Python\code>python testOCR.py
抽象工厂创建相关的对象家
族,而不需要依赖它们的具
体类。

依赖倒置原则,指导我们避
免依赖具体类型,而要尽量
依糊抽象。

工厂是很有姚力的技巧,帮
助我们针对抽象编程,而不
要针对具体类编程。

后记

如果自己本地用就这样了，要是做是在好一点的可以将这个封装一个API，然后 网页也能调用，客户端也能调用，这样也能用的很广泛。缺点就是这个的识别度还是有些低。