Pytesseract使用python提取外语

Question

我在 Windows 机器上使用 Python 2.7、Pytesseract-0.1.7 和 Tesseract-ocr 3.05.01。

我尝试提取韩语和俄语的文本，我很肯定我提取了。

现在我需要与从图像中提取的字符串和字符串进行比较。

我无法比较字符串并得到正确的结果，它只是说不匹配。

这是我的代码：

# -*- coding: utf-8 -*-
from PIL import Image
import pytesseract
import argparse
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--input", required=True, help="path to the image")
args = vars(ap.parse_args())
img = Image.open(args["input"])
img.load()
text = pytesseract.image_to_string(img)
print(text)
text = text.encode('ascii')
print(text)
i = 'Сред. Скорость'
print i
if ( text == i):
    print "Match"
else :
    print "Not Match"

附上用于提取文本的图片。

现在我需要一种方法来匹配它。而且我还需要知道从 pytesseract 中提取的字符串是 Unicode 还是什么？以及是否有办法将其转换为 Unicode（就像我们在写字板中有将字符转换为 Unicode 的选项）

Answer 1

您正在使用非英语语言的 Tesseract，因此首先，请确保您已安装适用于您的语言的学习数据集，如 here 所示（仅限 Linux 指令）。

其次，如果您使用非 ascii 语言（就像我一样，作为斯洛文尼亚人），我强烈建议您切换到 Python 3。 Python 3 开箱即用地使用 Unicode，因此它确实为您节省了大量编码和解码字符串的痛苦......

# python3 obligatory !!!    
from PIL import Image
import pytesseract

img = Image.open("T9esw.png")
img.load()
text = pytesseract.image_to_string(img, lang="rus")  #Specify language to look after!
print(text)
i = 'Сред. Скорость'
print(i)
if (text == i):
    print("Match")
else :
    print("Not Match")

哪些输出：

Фред скорасть
Сред. Скорость
Not Match

这意味着单词并不完全匹配，但考虑到最少的编码工作和输入图像的糟糕质量，它认为性能相当惊人。无论如何，这个例子表明编码和解码应该不再是一个问题。