一、了解Tesseract-OCR

开源地址：https://github.com/tesseract-ocr/tesseract

Tesseract-OCR 是一个开源的光学字符识别（OCR）引擎，能够识别图片中的文字并将其转化为可编辑的文本。它最初由惠普公司（Hewlett-Packard）开发，后来由Google接管并继续维护和开发。Tesseract 是目前最强大且广泛使用的 OCR 引擎之一，支持多种语言，并且能够处理复杂的文本和布局。该开源引擎在github上拥有63k+的star。

主要特点：

1. 开源与免费：Tesseract 是一个完全开源的项目，使用 Apache 2.0 许可证，任何人都可以免费使用和修改。
2. 语言支持：Tesseract 支持多种语言，包括英文、中文、日文、法文等，还支持自定义语言训练。
3. 高精度识别：Tesseract 能够处理各种图像质量的文本识别，精度较高，尤其适用于清晰的文本图像。
4. 支持多种输入格式：支持输入图像格式如 JPEG、PNG、TIFF、GIF 等，还可以通过 PDF 文件进行 OCR 处理。
5. 多平台支持：Tesseract 可以在多种操作系统上运行，包括 Linux、Windows 和 macOS。

二、安装Tesseract-ocr（以windows为例）

下载地址：https://github.com/UB-Mannheim/tesseract/wiki

点击下载后下载Windows安装包，然后双击安装，一直下一步即可。

安装完成后可以看到以下文件夹结构：

三、下载对应的训练语言数据

此步骤一般可以省略，因为下载安装后默认是有英文数据库的，如果需要识别其他语言可以在这一步下载配置。

下载地址：Traineddata Files for Version 4.00 + | tessdoc

下载后将.traineddata文件复制到tessdata文件夹中即可。

四、配置系统环境变量（Windows 系统）

1. 在任务栏搜索框中输入 环境变量，点击 编辑系统环境变量。
2. 点击 环境变量 按钮。

        

1. 在 系统变量 区域中，点击 新建：
   • 变量名：TESSDATA_PREFIX
   • 变量值：C:\Program Files\Tesseract-OCR\（这里是你的安装路径）

        3. 确认保存，并关闭所有对话框。

至此，Tesseract-OCR就安装配置好了。

五、安装对应的python库

根据需要安装对应的python库：（我这里安装的多，有一些是非必须的，比如word文档库等）

pip install opencv-python pytesseract pandas openpyxl python-docx

六、编写脚本代码

python脚本源码：（此处源码为识别图片内容并另存为到txt文件中）

import pytesseract
import cv2

# 设置Tesseract路径（确保已安装Tesseract OCR并设置正确路径）
pytesseract.pytesseract.tesseract_cmd = r'D:\img_ocr\tesseract.exe'

def extract_text_from_image_and_save_to_txt(image_path, output_txt):
    """
    从图片中提取文本内容并保存到TXT文件
    :param image_path: 输入图片路径
    :param output_txt: TXT输出路径
    """
    # 读取图片
    img = cv2.imread(image_path)

    # 转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 二值化处理（提高对比度，便于OCR识别）
    _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)

    # 使用Tesseract提取文本内容
    extracted_text = pytesseract.image_to_string(binary, config='--psm 6')

    # 将提取的文本保存到TXT文件
    with open(output_txt, 'w', encoding='utf-8') as file:
        file.write(extracted_text)

    print(f"文本已成功导出到 {output_txt}")

# 示例调用
image_path = '12345.png'  # 替换为你的图片路径
output_txt = 'output2.txt'       # TXT输出路径

extract_text_from_image_and_save_to_txt(image_path, output_txt)

注意： 

1、此处注意路径为安装路径，后面是exe文件

# 设置Tesseract路径（确保已安装Tesseract OCR并设置正确路径）
pytesseract.pytesseract.tesseract_cmd = r'D:\img_ocr\tesseract.exe'

2、此处注意图片名字和格式不要写错

# 示例调用
image_path = '12345.png'  # 替换为你的图片路径
output_txt = 'output2.txt'       # TXT输出路径

七、测试脚本

测试图片：12345.png

脚本运行结果：

 测试结果：