需先安装Tesseract引擎再安装pytesseract库；windows下载安装包并勾选“Add to PATH”，macOS用brew install tesseract，linux用apt install tesseract-ocr；随后pip install pytesseract，并按需配置tesseract_cmd路径。
安装Tesseract和pytesseract
要让python调用OCR功能，得先装好Tesseract引擎本身，再装Python封装库pytesseract。
windows用户可去Tesseract官方Wiki页面下载安装包（推荐带训练数据的完整版），安装时勾选“Add to PATH”；macOS用户用Homebrew执行brew install tesseract；Linux（如ubuntu）运行sudo apt install tesseract-ocr libtesseract-dev。
pip install pytesseract- 如果提示找不到tesseract命令，需手动指定路径，例如在代码开头加：
pytesseract.pytesseract.tesseract_cmd = r'C:Program FilesTesseract-OCRtesseract.exe'（Windows）
或pytesseract.pytesseract.tesseract_cmd = '/usr/local/bin/tesseract'（macos/Linux）
基础文字识别：从图片读取文本
最常用场景是把一张清晰截图或扫描图转成字符串。支持格式包括PNG、JPG、BMP等。
立即学习“Python免费学习笔记（深入）”；
示例代码：
from PIL import Image import pytesseract 打开图片
img = Image.open('receipt.png')
直接识别，默认使用eng语言包
text = pytesseract.image_to_string(img) print(text)
注意点：
- 图片越清晰、文字越规整，识别越准；模糊、倾斜、低对比度会明显降低效果
- 默认识别英文，若处理中文，需额外下载中文训练数据（
chi_sim或chi_tra），并传入lang='chi_sim' - 可加
config='--psm 6'参数提升单行/规则文本识别率（PSM模式详见下节）
调整OCR识别精度：PSM和OEM参数
Tesseract提供Page Segmentation Mode（PSM）和OCR Engine Mode（OEM）两个核心配置项，直接影响结果质量。
常用PSM值说明：
- PSM 3：自动检测页面结构（默认值，适合普通文档）
- PSM 6：假设为单块均匀文本（推荐用于截图、票据、标题等）
- PSM 7：一行文字（适合验证码、标签、短语）
- PSM 8：单词（极少用）
- PSM 10：单个字符（用于特殊识别任务）
调用方式：
text = pytesseract.image_to_string( img, lang='chi_sim', config='--psm 6 --oem 3' )OEM推荐始终用--oem 3（lstm神经网络引擎，Tesseract 4+默认），老版本才考虑OEM 0/1。
预处理图像提升识别率
Tesseract对输入图像很敏感。原始图片常需简单预处理：
- 转灰度：去掉颜色干扰，
img.convert('L') - 二值化：增强文字与背景对比，可用PIL的
point函数或opencv的threshold - 去噪：小斑点可用
ImageFilter.MedianFilter()；大面积噪点建议用OpenCV的形态学操作 - 缩放：文字太小（如8px以下）易漏字，建议将字体高度放大到20–30px再识别
- 矫正倾斜：用OpenCV检测文字角度后旋转校正，或用
skimage.transform.rotate
一个轻量预处理示例：
from PIL import Image, ImageEnhance def preprocess(img): img = img.convert('L') # 灰度 enhancer = ImageEnhance.Contrast(img) img = enhancer.enhance(2.0) # 提高对比度 return img.point(lambda x: 0 if x < 128 else 255, '1') # 二值化
clean_img = preprocess(Image.open('id_card.jpg')) text = pytesseract.image_to_string(clean_img, lang='chi_sim', config='--psm 6')
获取更详细识别信息：box、data和confidence
除了纯文本，Tesseract还能返回每个字符/单词的位置、置信度等结构化数据。
-
image_to_boxes(img)：返回字符级坐标（左下角x,y + 右上角x,y + 字符） -
image_to_data(img)：返回DataFrame格式，含level、page_num、block_num、par_num、line_num、word_num、left、top、width、height、conf、text等字段，conf即识别置信度（-1表示跳过） - 过滤低置信度结果：
df = df[df.conf != -1]，再用df[df.conf > 60]['text'].str.cat(sep=' ')拼接高可信文本
这些输出可用于构建带定位的OCR系统，比如提取发票中的“金额”“日期”字段，或做图文对齐。