Linux中的Python OCR模块？

Question

我想在Linux上找到一个好用的OCR（光学字符识别）Python模块。我找到了pytesser这个模块，http://code.google.com/p/pytesser/，但是里面有一个.exe的可执行文件。

我试着把代码改成用wine来运行，确实可以，但速度太慢了，真的不是个好主意。

有没有什么在Linux上也能像它一样好用的替代品呢？

Answer 1

python tesseract

http://code.google.com/p/python-tesseract

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

Answer 2

除了Blender提到的直接运行Tesseract这个程序之外，我想补充一下，还有其他一些可以用来进行文字识别（OCR）的工具，它们也可以作为外部程序来调用。

比如，ABBYY的命令行OCR工具：http://ocr4linux.com/en:start

这个工具不是免费的，所以只有在Tesseract的识别准确率不够好，或者你需要更复杂的排版分析，或者需要导出PDF、Word等文件时，才值得考虑。

更新：这里有一个关于ABBYY和Tesseract准确率的比较：http://www.splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison

免责声明：我在ABBYY工作。

Answer 3

你可以把 tesseract 放在一个函数里，这样使用起来会更方便：

import os
import tempfile
import subprocess

def ocr(path):
    temp = tempfile.NamedTemporaryFile(delete=False)

    process = subprocess.Popen(['tesseract', path, temp.name], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    process.communicate()

    with open(temp.name + '.txt', 'r') as handle:
        contents = handle.read()

    os.remove(temp.name + '.txt')
    os.remove(temp.name)

    return contents

如果你想要更复杂的功能，比如文档分割，可以试试 OCRopus。