Python实现图片文字OCR识别的两种方案详细对比与实战教程

脚本专家

在日常办公自动化中，图片文字提取（OCR）是高频需求，例如扫描件转文字、截图识别、发票信息提取等。Python 生态中有两个主流 OCR 库：PaddleOCR 和 Tesseract。本文从安装、配置到实战代码，完整对比两者的优缺点，并给出一个发票信息提取的实例。

### 方案概览

| 对比维度       | PaddleOCR                  | Tesseract                |
|----------------|----------------------------|--------------------------|
| 中文识别能力   | 优秀（95%+）               | 一般（80%–90%）          |
| 安装难度       | 中等（需安装 PaddlePaddle）| 简单（pip + 系统引擎）   |
| 识别速度       | 快                         | 较快                     |
| 版面分析       | 支持                       | 不支持                   |

如果主要处理中文场景，推荐优先使用 PaddleOCR；英文场景二者均可，但 Tesseract 配置更轻量。

### PaddleOCR 使用详解

PaddleOCR 是百度基于 PaddlePaddle 框架开发的 OCR 工具，内置了文本检测、方向分类和识别模型。安装时需同时安装底层框架和 OCR 包：

2. pip install paddlepaddle paddleocr

复制代码

加载模型并指定参数：

2. from paddleocr import PaddleOCR
4. ocr = PaddleOCR(use_angle_cls=True, lang='ch')

复制代码

参数说明：
- use_angle_cls：是否开启文本方向分类（针对旋转图片，可提升识别准确率）。
- lang：语言，'ch' 表示中文简体（自动包含英文与数字）。

识别图片并输出结果：

2. result = ocr.ocr('invoice.jpg')
3. for line in result[0]:
4.     text = line[1][0]
5.     confidence = line[1][1]
6.     print(f'{text} (置信度: {confidence:.2%})')

复制代码

返回的 result 是一个列表，每个元素代表一行识别结果，包含文本框坐标、识别文本和置信度。通过 line[1] 获取文本和置信度。

### Tesseract 使用详解

Tesseract 是 Google 维护的开源 OCR 引擎，Python 通过 pytesseract 调用。需要先安装 Tesseract 系统引擎（Windows 下载安装包，Linux 用 apt 等）。安装完成后通过 pip 安装 Python 绑定：

2. pip install pytesseract

复制代码

同时需要安装语言包（例如中文简体 chi_sim）。代码示例如下：

2. import pytesseract
3. from PIL import Image
5. text = pytesseract.image_to_string(
6.     Image.open('text.png'),
7.     lang='chi_sim+eng'
8. )
9. print(text)

复制代码

参数说明：
- lang：指定语言，多个语言用加号连接。
- 注意 pytesseract 默认会从系统路径查找 tesseract 可执行文件，若无法找到需手动配置 tesseract_cmd 路径。

### 实战：发票信息提取

下面以 PaddleOCR 为例，演示如何从发票图片中提取关键字段（发票号码和价税合计）。

2. from paddleocr import PaddleOCR
3. import re
5. ocr = PaddleOCR(use_angle_cls=True, lang='ch')
6. result = ocr.ocr('invoice.jpg')
8. # 合并所有识别文本
9. texts = [line[1][0] for line in result[0]]
10. full_text = ''.join(texts)
12. # 正则提取
13. invoice_no = re.search(r'发票号码[:：](\d+)', full_text)
14. total = re.search(r'价税合计[:：]?￥?([\d,]+\.\d{2})', full_text)
16. print(f'发票号码: {invoice_no.group(1) if invoice_no else "未识别"}')
17. print(f'价税合计: {total.group(0) if total else "未识别"}')

复制代码

代码逻辑：
- 利用 PaddleOCR 获取全部文字行。
- 拼接整段文本便于正则匹配。
- 使用 re.search 查找“发票号码：”后的数字串，以及“价税合计：”后的金额。
- 注意中文冒号和英文冒号都需考虑，金额可能带千分位逗号。

该方法直接用于自动化发票归档或财务数据录入，准确率取决于发票图片质量和 OCR 模型本身。

### 总结

- 中文场景优先选择 PaddleOCR：识别准确率高、支持版面分析、易用性好。
- 英文或轻量场景可选择 Tesseract：安装简单，适合纯文本识别。
- 实际项目可根据需求混合使用：先用 Tesseract 做快速尝试，若精度不足再切换 PaddleOCR。

开发者应根据任务的语言类型、对版面分析的需求以及部署环境（是否有 GPU）来决定选用哪个库。两个库均提供了成熟的 Python API，可快速集成到自动化脚本中。

热心网友5

感谢楼主分享这么详细的对比教程，正好最近在做一个发票识别的小工具，看完直接就能上手实测了。PaddleOCR 的中文识别率和正则提取的示例代码非常实用，尤其是考虑到中英文冒号差异和千分位逗号这一点，很周到。想请教一下：如果发票图片质量比较差（比如手机拍的有阴影），楼主是否有推荐的预处理步骤（比如二值化、去噪）能进一步提升识别率？再次感谢！

热心网友5

感谢楼主分享这么详细的对比和实战教程！之前一直用Tesseract做英文识别，中文确实不太理想，PaddleOCR的中文准确率看起来高很多，准备试试发票提取那个例子。想请教下，如果图片背景复杂或者有印章干扰，PaddleOCR的预处理有什么推荐方法吗？

热心网友5

感谢楼主的详细分享，对比清晰，代码也很实用。最近刚好在尝试用OCR做发票信息提取，PaddleOCR的中文识别率确实比Tesseract好不少，不过遇到一些背景复杂或字体较小的发票，偶尔会有漏识别的情况。想请教一下楼主，除了楼主提到的use_angle_cls参数，还有没有其他预处理技巧（比如二值化、降噪）能进一步提升PaddleOCR在复杂图片上的表现？