如何在 Python 中对 PDF 做 OCR？

用 pdf2image（需要 poppler）把页面转为图片，对每页运行 pytesseract，并用 `pytesseract.image_to_pdf_or_hocr(page, extension='pdf')` 生成可搜索 PDF。

如何获取文字位置和置信度？

使用 `pytesseract.image_to_data(image, output_type=Output.DICT)`。它返回并行的列表，包含每个词的边界框（`left`、`top`、`width`、`height`）和 0–100 的 `conf` 分数。

在 Python 中使用 Tesseract OCR（pytesseract）

Q: 如何在 Python 中使用 Tesseract OCR？

先安装 Tesseract 引擎，再运行 `pip install pytesseract pillow`。用 Pillow 打开图片并调用 `pytesseract.image_to_string(image)`。pytesseract 是调用 tesseract 二进制的封装，因此引擎必须已安装并在 PATH 中。

Q: 为什么会出现 TesseractNotFoundError？

pytesseract 找不到 tesseract 二进制文件。安装引擎、确保它在 PATH 中，或将 `pytesseract.pytesseract.tesseract_cmd` 设为完整路径。

Q: 如何提升准确率？

放大到约 300 DPI、转灰度、阈值处理（Otsu 或自适应）、去噪、纠偏，并选择正确的 `--psm`。用 `lang=` 选择正确语言也很重要。

Q: pytesseract 很慢吗？

每次 `image_to_string` 调用都会启动一个新的 tesseract 进程，因此循环很慢。可批量处理、使用 multiprocessing，或改用进程内绑定 tesserocr。

快速开始（三行代码）

先安装引擎，再运行以下代码。完整配置见下文。

ocr.py

import pytesseract
from PIL import Image

text = pytesseract.image_to_string(Image.open("image.png"))
print(text)

安装 pytesseract

pytesseract 只是一个封装，它调用 Tesseract 二进制文件，因此必须先安装引擎。

bash

pip install pytesseract pillow
# 可选，用于预处理：
pip install opencv-python numpy
# 可选，用于 PDF 输入：
pip install pdf2image

如果引擎不在 PATH 中（Windows 常见），请显式指定：

python

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

初次使用引擎？请参阅适用于 Windows、macOS、Linux、Docker 和 WSL 的安装指南。

核心 API

pytesseract 为每种输出类型提供一个函数，按需选择。

函数	返回	适用场景
`image_to_string`	纯文本	只需要识别出的文字
`image_to_data`	逐词边界框 + 置信度	高亮文字、过滤低置信度词
`image_to_boxes`	逐字符边界框	字符级几何信息
`image_to_pdf_or_hocr`	可搜索 PDF 或 hOCR	生成可搜索 PDF 或网页叠加层
`image_to_osd`	方向与文字体系检测	OCR 前检测旋转或文字体系
`image_to_alto_xml`	ALTO XML	档案 / 图书馆流水线

配置：PSM、OEM、语言与字符白名单

将选项作为空格分隔的字符串传给 config=。

config.py

# 单一文本块，LSTM 引擎，简体中文
text = pytesseract.image_to_string(img, lang="chi_sim", config="--oem 3 --psm 6")

# 仅数字（小票合计、仪表读数）
text = pytesseract.image_to_string(img, config="--psm 7 -c tessedit_char_whitelist=0123456789.")

# 组合语言
text = pytesseract.image_to_string(img, lang="eng+chi_sim")

PSM	模式	适用场景
3	全自动（默认）	标准文档
4	可变大小的单列文本	文章、单栏页面
6	单一均匀文本块	段落、标签
7	单行文本	单行标题、单个字段
8	单个词	单个词
11	稀疏文本	小票、分散的界面文字
13	原始行	不经 Tesseract 处理的单行

OEM 模式：--oem 1（仅 LSTM，v5 默认）、--oem 0（旧版）、--oem 3（自动）。完整参考见文档。

图像预处理

干净的输入是提升准确率最重要的因素。以下步骤最关键。

preprocess.py

import cv2, numpy as np, pytesseract
from PIL import Image

image = cv2.imread("receipt.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 将小字放大到约 300 DPI 等效
gray = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

# 去噪，然后用 Otsu 阈值转成纯黑白
blur = cv2.GaussianBlur(gray, (5, 5), 0)
_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

text = pytesseract.image_to_string(Image.fromarray(binary))

灰度 — 阈值处理前去掉颜色通道。
放大 — 小于约 20 像素的文字识别很差，需要放大。
阈值 — 均匀光照用 Otsu，不均匀光照用自适应阈值。
去噪 — 轻度模糊可去除被误读为标点的噪点。
纠偏 — OCR 前用 cv2.minAreaRect 校正旋转。
裁掉边缘 — 去除干扰版面分析的深色扫描边缘。

文字位置与置信度分数

用 image_to_data 获取逐词边界框和 0–100 的置信度，并过滤噪声。

confidence.py

from pytesseract import Output

data = pytesseract.image_to_data(img, output_type=Output.DICT)
for text, conf in zip(data["text"], data["conf"]):
    if text.strip() and float(conf) > 60:   # 丢弃低置信度噪声
        print(round(float(conf)), text)

在 Python 中对 PDF 做 OCR

Tesseract 处理的是图片，因此先用 pdf2image（需要 poppler）把 PDF 页面栅格化。

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("scan.pdf", dpi=300)   # 需要 poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("scan_searchable.pdf", "wb") as f:
    writer.write(f)

在 Windows 上，通过 poppler_path= 传入 poppler 的 bin 文件夹。更完整的流程请参阅输出格式文档。

性能

pytesseract 每次调用都会调用 CLI，因此吞吐量取决于你的组织方式。

方式	适用场景	取舍
每次调用 `pytesseract`	脚本和一次性任务	每次调用启动进程 — 循环中很慢
合并为多页 TIFF	多页、相同设置	一个进程处理多页
`multiprocessing`	大量独立图片	使用所有核心；内存更高
`tesserocr`	高吞吐、进程内	原生绑定，配置更复杂

错误目录

以下错误涵盖了 pytesseract 的绝大多数问题。

错误	原因	解决方法
`TesseractNotFoundError`	二进制未安装或不在 PATH	安装引擎或设置 `pytesseract.pytesseract.tesseract_cmd`。
`(-215:Assertion failed) src.type() == CV_8UC1`	对 3 通道图像做阈值处理	先用 `cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)` 转换。
`Error opening data file ...fra.traineddata`	缺少语言包	安装该语言或设置 `TESSDATA_PREFIX`。
输出为空	DPI 低、PSM 错误或没有文字	放大，尝试 `--psm 6/7/11`，并预处理。
循环中非常慢	每次调用启动一个进程	批量处理、使用 multiprocessing 或 `tesserocr`。

测量准确率

测量字符和词的错误率，而不是凭肉眼判断输出。

eval.py

import pytesseract, jiwer
from PIL import Image

hypothesis = pytesseract.image_to_string(Image.open("sample.png"))
reference  = open("sample.gt.txt").read()

print("CER:", jiwer.cer(reference, hypothesis))
print("WER:", jiwer.wer(reference, hypothesis))

保留一小组有基准文本的代表性图片作为回归测试，在更改预处理或配置后重新运行。

Python 常见问题

如何在 Python 中使用 Tesseract OCR？

先安装引擎，再运行 pip install pytesseract pillow。用 Pillow 打开图片并调用 pytesseract.image_to_string(img)。

为什么会出现 TesseractNotFoundError？

pytesseract 找不到二进制文件。安装引擎、把它放入 PATH，或将 pytesseract.pytesseract.tesseract_cmd 设为完整路径。

如何提升准确率？

放大到约 300 DPI、灰度、阈值、去噪、纠偏，并使用正确的 --psm。使用合适的 lang=，对固定字段使用字符白名单。

如何对 PDF 做 OCR？

用 pdf2image（配合 poppler）把页面转为图片，对每页运行 pytesseract，并用 image_to_pdf_or_hocr(..., extension="pdf") 合并。

如何获取置信度分数？

使用 image_to_data(..., output_type=Output.DICT)，并按 conf 列表过滤。

pytesseract 很慢吗？

每次调用都会启动一个进程。可批量处理、使用 multiprocessing，或改用进程内的 tesserocr。

深入了解引擎与生态。