0Pricing
AI Agents · 课时

扫描文档的 OCR

通过 pytesseract 使用 Tesseract，进行图像预处理并提高准确率。

扫描文档的 OCR 是 CoddyKit 上的免费 AI Agents 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 AI Agents 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Agents 课程共包含 4 节课。

何时需要 OCR

并非所有文档都是原生数字化的 PDF。扫描文档、文字照片、手写笔记以及基于图像的 PDF，都需要使用光学字符识别（OCR）来提取文本。

OCR 会将文字的像素图像转换为机器可读的字符。两个领先的 Python 库是：pytesseract（谷歌的 Tesseract）和 EasyOCR（基于深度学习，支持多语言）。

pytesseract 基础

pytesseract 是谷歌 Tesseract OCR 引擎的 Python 封装器。请先安装 Tesseract（操作系统级安装），然后运行 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}')

图像预处理：灰度化

OCR 的准确度在很大程度上取决于图像质量。第一步预处理是转换为灰度图——颜色会增加噪声，却不会帮助识别字符。

请使用 Pillow 或 OpenCV 进行预处理。灰度化可以减少噪声，并改善 Tesseract 对字符边界的检测。

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])

图像预处理：阈值处理

阈值处理会将灰度图像转换为纯黑白图像。这样可以去除灰色阴影、光照不均和背景噪声，让文字在 OCR 处理时更加清晰突出。

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])

图像预处理：校正倾斜

扫描文档通常会有轻微旋转。即使只有 2 度的倾斜，也会明显降低 OCR 的准确度。校正倾斜会在将图像传给 OCR 引擎之前，检测并修正旋转角度。

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 deskew

Tesseract 语言选项

Tesseract 支持 100 多种语言。请使用操作系统的软件包管理器下载语言包。对于多语言文档，请使用 + 分隔符指定多种语言。

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：基于深度学习

EasyOCR 使用深度学习模型，在处理质量下降的图像、弯曲文字和非拉丁文字方面优于 Tesseract。它不需要进行操作系统级安装。

使用 pip install easyocr 安装。首次运行时会下载模型权重（约 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])

使用 EasyOCR 处理多语言文档

EasyOCR 能够很好地处理混合语言文档，适用于国际合同、带有多语言图注的研究论文，或包含其他文字系统技术术语的文档。

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
    ]

完整的预处理流程

将所有预处理步骤——灰度化、阈值处理和校正倾斜——串联到一个流程函数中。在处理后的图像上运行 OCR，并同时返回文本和置信度指标。

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])

处理基于图像的 PDF

有些 PDF 在 PDF 容器内部以图像形式存储扫描页面。请检测这些“图像 PDF”，先使用 PyMuPDF 提取图像，再逐页应用 OCR。

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)

置信度过滤与后处理

OCR 输出中可能包含错误，尤其是在图像质量下降时。请对文本进行后处理：过滤低置信度词语，纠正常见的 OCR 错误（例如将 0 误识为 O、将 1 误识为 l），并规范空白字符。

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))

知识检查

在 OCR 之前对图像应用阈值（二值化）的目的是什么？

回顾：扫描文档的 OCR

OCR 会将扫描图像转换为机器可读的文本。pytesseract 封装了谷歌的 Tesseract，速度快、成熟稳定，并支持 100 多种语言包。EasyOCR 使用深度学习，在处理质量下降的图像和多语言文本方面表现更好。

请始终进行预处理：转换为灰度图，应用 Otsu 阈值处理进行二值化，并校正倾斜以修正旋转。对于基于图像的 PDF，请使用 PyMuPDF 将页面渲染为高 DPI 图像，然后运行 OCR。根据置信度阈值过滤结果，以排除噪声。

常见问题解答

「扫描文档的 OCR」课时是免费的吗？

是的 — 「扫描文档的 OCR」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Agents 课程的其余内容，请升级到 CoddyKit PRO。 AI Agents 课程共包含 4 节课。

「扫描文档的 OCR」这节课中我会学到什么？

通过 pytesseract 使用 Tesseract，进行图像预处理并提高准确率。 你通过在浏览器中直接运行的动手代码来练习 AI Agents，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Agents 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Agents 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。

「扫描文档的 OCR」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Agents 课中编写并运行代码吗？

能。每节 AI Agents 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

  1. 使用 PyMuPDF 和 pdfplumber 解析 PDF
  2. 扫描文档的 OCR
  3. 多文档问答代理
  4. 文档分类与路由
← 返回 AI Agents