OCR for skannede dokumenter
Tesseract via pytesseract, forhåndsbehandling av bilder og forbedring av nøyaktighet.
OCR for skannede dokumenter er en gratis leksjon i AI-agenter på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-agenter, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-agenter inneholder totalt 4 leksjoner.
Når OCR er nødvendig
Ikke alle dokumenter er digitalt opprettede PDF-er. Skannede dokumenter, fotografier av tekst, håndskrevne notater og bildebaserte PDF-er krever optisk tegngjenkjenning (OCR) for å trekke ut tekst.
OCR konverterer pikselbilder av tekst til maskinlesbare tegn. To ledende Python-biblioteker er pytesseract (Google Tesseract) og EasyOCR (dyp læring, flerspråklig).
Grunnleggende om pytesseract
pytesseract er en Python-innpakning rundt Googles Tesseract OCR-motor. Installer Tesseract først (på operativsystemnivå), og kjør deretter pip install pytesseract Pillow.
import pytesseract
from PIL import Image
# Simple text extraction
image = Image.open('scanned_document.png')
text = pytesseract.image_to_string(image)
print(text)
# Specify language (default: English)
text_fr = pytesseract.image_to_string(
Image.open('french_doc.png'),
lang='fra'
)
# Get detailed output with bounding boxes
data = pytesseract.image_to_data(
image,
output_type=pytesseract.Output.DICT
)
for i, word in enumerate(data['text']):
if word.strip():
conf = data['conf'][i]
print(f'Word: {word!r:20} Confidence: {conf}')Forbehandling av bilder: gråtoner
OCR-nøyaktigheten avhenger i stor grad av bildekvaliteten. Det første trinnet i forbehandlingen er å konvertere bildet til gråtoner — farger tilfører støy uten å hjelpe med tegngjenkjenningen.
Bruk Pillow eller OpenCV til forbehandlingen. Gråtoner reduserer støy og forbedrer Tesseracts deteksjon av tegngrenser.
from PIL import Image, ImageOps
import numpy as np
def preprocess_grayscale(image_path):
img = Image.open(image_path)
# Convert to grayscale
img = img.convert('L') # 'L' = 8-bit grayscale
# Optionally resize for better OCR (Tesseract works best at ~300 DPI)
# Scale up small images
width, height = img.size
if width < 800:
scale = 800 / width
new_size = (int(width * scale), int(height * scale))
img = img.resize(new_size, Image.LANCZOS)
return img
img = preprocess_grayscale('scan.jpg')
text = pytesseract.image_to_string(img)
print(text[:300])Forbehandling av bilder: terskling
Terskling konverterer et gråtonebilde til rent svart-hvitt. Dette fjerner grå skygger, ujevn belysning og bakgrunnsstøy, slik at teksten trer tydelig frem for OCR.
from PIL import Image, ImageFilter
import numpy as np
def apply_threshold(img):
# Method 1: Simple fixed threshold
img_array = np.array(img)
threshold = 128
binary = np.where(img_array > threshold, 255, 0).astype(np.uint8)
return Image.fromarray(binary)
def adaptive_threshold(img):
# Method 2: Otsu's method via OpenCV (better for uneven lighting)
try:
import cv2
img_array = np.array(img)
_, binary = cv2.threshold(
img_array, 0, 255,
cv2.THRESH_BINARY + cv2.THRESH_OTSU
)
return Image.fromarray(binary)
except ImportError:
return apply_threshold(img)
img = preprocess_grayscale('uneven_scan.png')
img_clean = adaptive_threshold(img)
text = pytesseract.image_to_string(img_clean)
print(text[:300])Forbehandling av bilder: korrigering av skjevhet
Skannede dokumenter er ofte litt rotert. Selv en skjevhet på 2 grader reduserer OCR-nøyaktigheten betydelig. Korrigering av skjevhet oppdager og korrigerer rotasjonsvinkelen før bildet sendes til OCR-motoren.
import numpy as np
from PIL import Image
def deskew(img):
try:
import cv2
img_array = np.array(img)
# Find rotation angle using Hough line transform
edges = cv2.Canny(img_array, 50, 150, apertureSize=3)
lines = cv2.HoughLines(edges, 1, np.pi/180, threshold=100)
if lines is None:
return img # no lines detected, return unchanged
angles = []
for line in lines:
rho, theta = line[0]
angle = np.degrees(theta) - 90
if -45 < angle < 45:
angles.append(angle)
if not angles:
return img
median_angle = np.median(angles)
if abs(median_angle) > 0.5: # only deskew if significant tilt
print(f'Deskewing by {median_angle:.2f} degrees')
return img.rotate(-median_angle, expand=True, fillcolor=255)
return img
except ImportError:
return img # OpenCV not available — skip deskewSpråkalternativer i Tesseract
Tesseract støtter over 100 språk. Last ned språkpakker med pakkebehandleren for operativsystemet ditt. For dokumenter på flere språk angir du flere språk med en +-separator.
import pytesseract
from PIL import Image
# List available languages
import subprocess
result = subprocess.run(['tesseract', '--list-langs'], capture_output=True, text=True)
print('Available languages:')
print(result.stdout)
# Single language
text_en = pytesseract.image_to_string(Image.open('doc.png'), lang='eng')
# Multiple languages (auto-detect best match)
text_multi = pytesseract.image_to_string(
Image.open('doc.png'),
lang='eng+fra+deu' # English + French + German
)
# Tesseract config options for better accuracy
custom_config = r'--oem 3 --psm 6' # OEM 3=LSTM, PSM 6=assume uniform block of text
text_tuned = pytesseract.image_to_string(
Image.open('doc.png'),
config=custom_config
)EasyOCR: basert på dyp læring
EasyOCR bruker modeller for dyp læring og gir bedre resultater enn Tesseract på forringede bilder, buet tekst og ikke-latinske skriftsystemer. Det krever ingen installasjon på operativsystemnivå.
Installer med pip install easyocr. Første kjøring laster ned modellvekter (~200 MB).
import easyocr
# Initialize reader (downloads model on first run)
reader = easyocr.Reader(
['en', 'tr'], # list of languages
gpu=False # set True if CUDA available
)
# Read text from image
results = reader.readtext('scanned_page.png')
for (bbox, text, confidence) in results:
print(f'Text: {text!r:30} Confidence: {confidence:.2f}')
# bbox = [[x1,y1],[x2,y2],[x3,y3],[x4,y4]] (four corners)
# Get plain text only
text_only = ' '.join(result[1] for result in results)
print('Full text:', text_only[:300])EasyOCR for flerspråklige dokumenter
EasyOCR håndterer dokumenter med blandede språk godt — nyttig for internasjonale kontrakter, forskningsartikler med bildetekster på flere språk eller dokumenter med tekniske termer i et annet skriftsystem.
import easyocr
# For Arabic-English mixed document
reader_ar = easyocr.Reader(['ar', 'en'], gpu=False)
results = reader_ar.readtext('arabic_contract.png')
# For CJK languages
reader_cjk = easyocr.Reader(['ch_sim', 'en'], gpu=False) # Simplified Chinese + English
results_cjk = reader_cjk.readtext('chinese_report.png')
# Filter by confidence threshold
HIGH_CONFIDENCE = 0.7
def filter_confident_results(results, threshold=HIGH_CONFIDENCE):
return [
(bbox, text, conf)
for bbox, text, conf in results
if conf >= threshold
]Fullstendig forbehandlingspipeline
Kjed sammen alle forbehandlingstrinnene — gråtoner, terskling og korrigering av skjevhet — i én enkelt pipeline-funksjon. Kjør OCR på det rensede bildet, og returner både teksten og konfidensmålingene.
import pytesseract
from PIL import Image
def ocr_pipeline(image_path, lang='eng', engine='tesseract'):
print(f'Processing: {image_path}')
# 1. Load
img = Image.open(image_path)
# 2. Preprocess
img = img.convert('L') # grayscale
img = adaptive_threshold(img) # binarize
img = deskew(img) # correct rotation
# 3. OCR
if engine == 'easyocr':
reader = easyocr.Reader([lang], gpu=False)
results = reader.readtext(image_path)
text = ' '.join(r[1] for r in results if r[2] > 0.5)
else:
config = f'--oem 3 --psm 6 -l {lang}'
text = pytesseract.image_to_string(img, config=config)
# 4. Clean
text = '\n'.join(
line.strip() for line in text.splitlines()
if line.strip()
)
return text
text = ocr_pipeline('invoice_scan.jpg')
print(text[:500])Håndtering av bildebaserte PDF-er
Noen PDF-er inneholder skannede sider som er lagret som bilder inne i PDF-beholderen. Oppdag disse «bilde-PDF-ene», og bruk OCR side for side ved først å trekke ut bildene med PyMuPDF.
import fitz
from PIL import Image
import io
import pytesseract
def is_image_pdf(doc):
# Check if first page has very little extractable text
text = doc[0].get_text().strip()
return len(text) < 50
def ocr_pdf(filepath):
doc = fitz.open(filepath)
if not is_image_pdf(doc):
# Native text — no OCR needed
return '\n'.join(doc[i].get_text() for i in range(len(doc)))
print('Image PDF detected — running OCR')
all_text = []
for page_num in range(len(doc)):
page = doc[page_num]
# Render page as image at 300 DPI
mat = fitz.Matrix(300/72, 300/72) # scale to 300 DPI
pix = page.get_pixmap(matrix=mat)
img = Image.open(io.BytesIO(pix.tobytes('png')))
text = pytesseract.image_to_string(img)
all_text.append(f'--- Page {page_num+1} ---\n{text}')
doc.close()
return '\n'.join(all_text)Konfidensfiltrering og etterbehandling
OCR-resultater inneholder feil, særlig for forringede bilder. Etterbehandle teksten ved å filtrere bort ord med lav konfidens, korrigere vanlige OCR-feil (0 mot O, 1 mot l) og normalisere mellomrom.
import re
COMMON_OCR_ERRORS = {
r'\b0([a-z])\b': r'O\1',
r'\bl([0-9])\b': r'1\1',
r'\|': 'I',
r' +': ' ',
}
def post_process_ocr(text):
for pattern, replacement in COMMON_OCR_ERRORS.items():
text = re.sub(pattern, replacement, text)
lines = [line.strip() for line in text.splitlines()]
return '\n'.join(line for line in lines if line)
def high_confidence_ocr(words_with_conf, min_confidence=60):
words = [w for w, conf in words_with_conf if w.strip() and conf >= min_confidence]
return post_process_ocr(' '.join(words))
fake_ocr_output = [('0range', 90), ('|s', 40), ('l5', 85), ('good', 95)]
print(high_confidence_ocr(fake_ocr_output))Kunnskapssjekk
Hva er hensikten med å bruke en terskel (binarisering) på et bilde før OCR?
Oppsummering: OCR for skannede dokumenter
OCR konverterer skannede bilder til maskinlesbar tekst. pytesseract er en innpakning rundt Google Tesseract — rask og moden, med over 100 språkpakker. EasyOCR bruker dyp læring og håndterer forringede bilder og flerspråklig tekst bedre.
Forbehandle alltid: konverter til gråtoner, bruk Otsu-terskling til binarisering, og korriger skjevhet for å rette opp rotasjon. For bildebaserte PDF-er gjengir du sidene som bilder med høy DPI ved hjelp av PyMuPDF, og kjører deretter OCR. Filtrer resultatene med en konfidensgrense for å utelukke støy.
Lær deg AI-agenter med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 60
- Leksjoner
- 239
Ofte stilte spørsmål
Er leksjonen «OCR for skannede dokumenter» gratis?
Ja – hele teksten i «OCR for skannede dokumenter» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av AI-agenter-kurset, kan du oppgradere til CoddyKit PRO. Kurset i AI-agenter inneholder totalt 4 leksjoner.
Hva lærer jeg i «OCR for skannede dokumenter»?
Tesseract via pytesseract, forhåndsbehandling av bilder og forbedring av nøyaktighet. Du øver på AI-agenter med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med AI-agenter?
Ingen tidligere erfaring er nødvendig. AI-agenter på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «OCR for skannede dokumenter»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne AI-agenter-leksjonen?
Ja. Alle AI-agenter-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Analysere PDF med PyMuPDF og pdfplumber
- OCR for skannede dokumenter
- Agenter for spørsmål og svar på flere dokumenter
- Dokumentklassifisering og ruting