pytesseract

定义

pytesseract是一套面向Python的光学字符识别工具，其官方描述为“Python-tesseract is an optical character recognition (OCR) tool for python”，即用于识别和读取图像中所含文字的程序库^[1]。它是对谷歌Tesseract-OCR引擎的封装(wrapper)，本身并不包含识别引擎，运行时仍依赖系统中安装的Tesseract可执行文件^[2]。因此它也可被当作调用tesseract命令行程序的独立脚本使用，只是把识别结果打印出来而不写入文件^[2]。在Debian等系统的软件包仓库中，该库被描述为“Python wrapper for Google Tesseract”，并以pytesseract与python3-pytesseract两个包分别提供命令行工具与Python模块。

原理

pytesseract的工作方式是把图像数据写入临时文件，再以子进程方式调用Tesseract命令行程序完成识别，最后解析其输出并返回给调用方^[2]。输入既可以是pillow的Image对象，也可以是图片文件路径，还可以直接传入opencv读取的NumPy数组；由于opencv默认使用BGR色彩顺序而pytesseract假定为RGB，因此调用前通常需要做色彩空间转换^[3]。

识别的核心入口是image_to_string()函数，它接收图像并返回一个字符串形式的识别结果^[4]。此外还有image_to_boxes()返回字符的边界框、image_to_data()返回包含边界框、置信度、行号与页码的详细数据、image_to_osd()返回页面方向和文字种类信息，以及image_to_pdf_or_hocr()输出可搜索PDF或hOCR结果，image_to_alto_xml()输出ALTO XML结果^[2]。

调用时可以传入lang参数指定语言，例如lang="fra"识别法语、lang="chi_sim+eng"实现中英文混合识别；用config参数可以附加Tesseract运行选项，如--psm指定页面分割模式、--oem指定OCR引擎模式^[1]。函数还支持timeout参数，超时后终止识别任务，此时会抛出RuntimeError^[2]。

发展历程

pytesseract所封装的Tesseract引擎最初于1985年至1994年间由惠普实验室在布里斯托与科罗拉多州格里利开发，1996年移植到Windows并进行C++化改造，2005年由惠普与内华达大学拉斯维加斯分校开源，2006年起由谷歌赞助开发^[5]。Tesseract第4版引入基于LSTM神经网络、以整行识别为核心的OCR引擎，同时保留第3版的传统识别引擎^[6]。

pytesseract一行最初由Samuel Hoffstaetter编写，后续由Juarez Bochi、Matthias Lee等人参与维护，代码仓库托管在代码托管平台GitHub上^[7]。项目仓库创建于2010年10月，首次在软件包索引PyPI发布可追溯至2014年2月6日^[8][9]。软件包元数据显示项目采用Apache License 2.0授权，作者为Samuel Hoffstaetter，维护者为Matthias Lee^[10]。

版本方面，2018年1月发布的0.1.9引入了新的通用函数、进行了较大重构并改进了图像格式处理，0.2.0随之修正了新的图像处理逻辑中的缺陷。0.3.9起仅支持Python 3.7及以上版本，并把已弃用的distutils版本解析改为packaging.version。0.3.12新增run_and_get_multiple_output功能，0.3.13增加了对Python 3.12的支持。

应用

pytesseract常用于把扫描件、照片和仅有图像层的PDF转换为可编辑文本，是Python环境中做文档数字化的常见方案^[11]。借助image_to_data()提供的坐标与置信度信息，它可以用于表格识别、票证与单据信息提取等需要定位文字位置的场景^[12]。

在混合语言文档处理中，可以通过lang参数拼接语言代码同时识别多种文字，例如中英文混排的图片可传入lang="chi_sim+eng"^[13]。除直接处理图片外，配合pdf2image等库先完成PDF到图像的转换，即可实现扫描版PDF的批量文字抽取^[12]。也可将识别结果输出为可搜索PDF或hOCR、ALTO XML等结构化格式，便于后续检索与排版分析^[2]。

局限

pytesseract只是外壳，识别能力完全由外部的Tesseract引擎决定，因此使用前必须在系统中单独安装Tesseract，仅安装Python包无法工作；若引擎不在默认位置，还需要通过tesseract_cmd指定可执行文件路径^[11]。缺少引擎时程序会抛出TesseractNotFoundError^[4]。

Tesseract的识别准确率高度依赖输入图像质量，对低分辨率、倾斜、光照不均或噪声较多的图像效果较差，通常需要先做灰度化、二值化、放大、去噪和纠偏等预处理才能取得较好结果，而预处理过度又会抹掉细小笔画反而降低准确率^[14]。此外，默认调用image_to_string()不返回置信度信息，也无法处理手写体等非印刷体文字^[4]。

由于每次识别都要启动外部进程，pytesseract本身不提供批处理调度，批量任务需由使用者自行组织并发或队列逻辑^[11]。在处理原生带文字层的PDF、Word或Excel文档时，OCR并非合适手段，只有文字纯粹以像素形式存在时才需要使用这类识别方案^[14]。

参见

• Tesseract —— pytesseract所封装的底层光学字符识别引擎。

• 光学字符识别 —— pytesseract所实现的技术，把图像中的文字转换为可编辑文本。

• Python —— pytesseract的运行语言与宿主环境。

• Pillow —— pytesseract常用的图像读取与处理库。

• OpenCV —— 常与pytesseract配合，用于识别前的图像预处理。