OCR для отсканированных документов
Tesseract через pytesseract, предварительная обработка изображений и повышение точности.
«OCR для отсканированных документов» — бесплатный урок AI Agents на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Agents, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Agents содержит 4 уроков всего.
Когда необходимо распознавание текста
Не все документы представляют собой изначально цифровые файлы PDF. Для отсканированных документов, фотографий текста, рукописных заметок и PDF на основе изображений требуется оптическое распознавание символов (OCR) для извлечения текста.
OCR преобразует изображения текста, состоящие из пикселей, в распознаваемые компьютером символы. Две ведущие библиотеки Python: pytesseract (Google Tesseract) и EasyOCR (глубокое обучение, поддержка многих языков).
Основы pytesseract
pytesseract — это оболочка Python для движка OCR Tesseract от Google. Сначала установите Tesseract (на уровне ОС), затем выполните 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}')Предварительная обработка изображений: оттенки серого
Точность OCR во многом зависит от качества изображения. Первый шаг предварительной обработки — преобразование в оттенки серого: цвет добавляет шум, не помогая распознавать символы.
Для предварительной обработки используйте Pillow или OpenCV. Оттенки серого уменьшают шум и улучшают обнаружение границ символов в Tesseract.
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])Предварительная обработка изображений: пороговая обработка
Пороговая обработка преобразует изображение в оттенках серого в чистое чёрно-белое изображение. Это устраняет серые тени, неравномерное освещение и фоновый шум, благодаря чему текст становится чётко различимым для 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])Предварительная обработка изображений: устранение перекоса
Отсканированные документы часто немного повёрнуты. Даже наклон на 2 градуса значительно снижает точность OCR. Устранение перекоса обнаруживает и исправляет угол поворота перед передачей изображения движку OCR.
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 deskewЯзыковые параметры Tesseract
Tesseract поддерживает более 100 языков. Загружайте языковые пакеты с помощью менеджера пакетов ОС. Для многоязычных документов указывайте несколько языков, разделяя их символом +.
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: на основе глубокого обучения
EasyOCR использует модели глубокого обучения и превосходит Tesseract на изображениях низкого качества, при распознавании изогнутого текста и нелатинских письменностей. Установка на уровне ОС не требуется.
Установите библиотеку с помощью pip install easyocr. При первом запуске загружаются веса модели (около 200 МБ).
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 для многоязычных документов
EasyOCR хорошо обрабатывает документы со смешанными языками — это полезно для международных договоров, научных статей с подписями на нескольких языках и документов с техническими терминами в другой письменности.
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
]Полный конвейер предварительной обработки
Объедините все этапы предварительной обработки — преобразование в оттенки серого, пороговую обработку и устранение перекоса — в одну функцию конвейера. Запустите OCR для очищенного изображения и верните как текст, так и показатели уверенности.
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])Обработка PDF на основе изображений
Некоторые файлы PDF содержат отсканированные страницы, сохранённые как изображения внутри контейнера PDF. Обнаруживайте такие «графические PDF» и применяйте OCR к каждой странице, используя PyMuPDF для предварительного извлечения изображений.
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)Фильтрация по уверенности и постобработка
Результаты OCR содержат ошибки, особенно на изображениях низкого качества. Выполняйте постобработку текста: отфильтровывайте слова с низкой уверенностью, исправляйте распространённые ошибки OCR (0 вместо O, 1 вместо l) и нормализуйте пробелы.
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))Проверка знаний
Какова цель применения пороговой обработки (бинаризации) к изображению перед OCR?
Итоги: OCR для отсканированных документов
OCR преобразует отсканированные изображения в распознаваемый компьютером текст. pytesseract предоставляет оболочку для Google Tesseract — быстрого и зрелого решения с более чем 100 языковыми пакетами. EasyOCR использует глубокое обучение и лучше обрабатывает изображения низкого качества и многоязычный текст.
Всегда выполняйте предварительную обработку: преобразуйте изображение в оттенки серого, применяйте пороговую обработку Отсу для бинаризации и устраняйте перекос, чтобы исправить поворот. Для PDF на основе изображений преобразуйте страницы в изображения с высоким DPI с помощью PyMuPDF, а затем запустите OCR. Отфильтровывайте результаты по порогу уверенности, чтобы исключить шум.
Часто задаваемые вопросы
Урок «OCR для отсканированных документов» бесплатный?
Да — полный текст урока «OCR для отсканированных документов» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Agents, подпишись на CoddyKit PRO. Курс AI Agents содержит 4 уроков всего.
Чему я научусь в уроке «OCR для отсканированных документов»?
Tesseract через pytesseract, предварительная обработка изображений и повышение точности. Ты практикуешь AI Agents с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать AI Agents?
Предыдущий опыт не требуется. AI Agents на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «OCR для отсканированных документов»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке AI Agents?
Да. Каждый урок AI Agents включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Разбор PDF с помощью PyMuPDF и pdfplumber
- OCR для отсканированных документов
- Агенты для вопросов и ответов по нескольким документам
- Классификация и маршрутизация документов