Pytesseract: OCR и извлечение текста из изображений

Pytesseract - обертка на Python для движка Tesseract OCR, которая распознает текст на изображениях и возвращает его строкой, таблицей слов с координатами или готовым PDF. Ниже описано, как установить движок и языковые пакеты, распознать русский текст, выбрать режим сегментации страницы и подготовить картинку, чтобы ошибок в результате было меньше.

Как устроен pytesseract

Сама библиотека ничего не распознает. Она сохраняет изображение во временный файл, запускает программу tesseract из командной строки и читает ее вывод. Поэтому установка состоит из двух частей: движок ставится в систему, а пакет на Python ставится через pip.

Tesseract начинали в HP, позже его развивала Google, сейчас проект поддерживает сообщество. Начиная с версии 4 в движке работает распознавание на нейросети LSTM, которое заметно точнее старого режима на обычных шрифтах. Рукописный текст и сложные фоны Tesseract распознает плохо, для них нужны другие инструменты.

Установка Tesseract и пакета

Порядок действий зависит от операционной системы. Языковые данные нужны для каждого языка отдельно, по умолчанию доступен только английский.

• Windows: установщик от UB Mannheim, при установке отметить Russian в списке языков. Путь к программе обычно C:\Program Files\Tesseract-OCR.
• Ubuntu и Debian: sudo apt install tesseract-ocr tesseract-ocr-rus.
• macOS: brew install tesseract tesseract-lang.

После движка ставятся пакеты Python: pip install pytesseract pillow. Pillow нужен, чтобы открывать и обрабатывать картинки, об этом подробнее в статье про Pillow. Если Windows не добавила Tesseract в переменную PATH, путь указывают в коде:

import pytesseract

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
print(pytesseract.get_tesseract_version())   # например 5.4.0
print(pytesseract.get_languages())           # ['eng', 'osd', 'rus']

Если список языков не содержит rus, распознавание с русским языком завершится ошибкой TesseractError: файла rus.traineddata нет в папке tessdata.

Распознавание текста с изображения

Основная функция image_to_string() принимает объект Pillow, путь к файлу или массив NumPy и возвращает строку. Язык задается параметром lang, несколько языков перечисляют через плюс.

from PIL import Image
import pytesseract

image = Image.open("scan.png")
text = pytesseract.image_to_string(image, lang="rus+eng")
print(text.strip())

Указывать только нужные языки важно: лишний язык замедляет работу и добавляет ошибки, когда похожие буквы кириллицы и латиницы путаются между собой. Если на картинке только русский текст, ставьте lang="rus".

Параметр config и режимы psm

Через config передаются параметры командной строки Tesseract. Самый полезный из них --psm, режим сегментации страницы: он подсказывает движку, как расположен текст.

Для распознавания только цифр, например номеров или сумм, к режиму добавляют белый список символов:

digits = pytesseract.image_to_string(
    image,
    config="--psm 7 -c tessedit_char_whitelist=0123456789",
)
print(digits)

Слова с координатами и уверенностью

Функция image_to_data() возвращает каждое найденное слово с его положением на картинке и оценкой уверенности от 0 до 100. С параметром output_type=Output.DICT результат приходит словарем списков, где элементы с одинаковым индексом относятся к одному слову.

from pytesseract import Output

data = pytesseract.image_to_data(image, lang="rus", output_type=Output.DICT)
for word, conf, x, y in zip(data["text"], data["conf"], data["left"], data["top"]):
    if word.strip() and float(conf) > 60:
        print(f"{word} ({conf}) at {x},{y}")

По этим данным удобно отсеивать мусор с низкой уверенностью или рисовать рамки вокруг слов. Для отдельных символов есть image_to_boxes(), а image_to_osd() определяет поворот страницы и систему письма.

Сохранение в PDF с текстовым слоем

Функция image_to_pdf_or_hocr() превращает скан в PDF, в котором текст можно выделять и искать. Она возвращает байты, их остается записать в файл.

pdf = pytesseract.image_to_pdf_or_hocr("scan.png", lang="rus", extension="pdf")
with open("scan.pdf", "wb") as f:
    f.write(pdf)

Склеить несколько таких страниц в один документ можно библиотекой PyPDF2.

Подготовка изображения

Качество распознавания больше зависит от картинки, чем от настроек. Tesseract рассчитан на черный текст на белом фоне с высотой заглавных букв около 20-30 пикселей. Фото с телефона, мелкий шрифт и цветной фон стоит обработать перед распознаванием.

from PIL import Image, ImageOps

img = Image.open("photo.jpg")
img = ImageOps.grayscale(img)                    # оттенки серого
img = img.resize((img.width * 2, img.height * 2))  # увеличить мелкий текст
img = img.point(lambda p: 255 if p > 150 else 0)   # бинаризация
print(pytesseract.image_to_string(img, lang="rus"))

Порог 150 подбирают под конкретные снимки: на темных фото его снижают, на бледных повышают. Для неровного освещения лучше подходит адаптивная бинаризация из OpenCV (cv2.adaptiveThreshold). Перекошенный скан выравнивают поворотом, угол можно узнать через image_to_osd().

Типичные ошибки

Большинство проблем с pytesseract связаны с установкой движка, а не с кодом.

• TesseractNotFoundError: программа tesseract не найдена. Проверьте установку и укажите tesseract_cmd.
• TesseractError с упоминанием Failed loading language: нет языкового файла, установите пакет нужного языка.
• Пустая строка в результате: слишком мелкий или светлый текст, попробуйте увеличить и бинаризовать картинку или сменить --psm.
• Латинские буквы вместо русских: не передан lang="rus".

Полное описание функций и параметров есть на странице проекта pytesseract на GitHub.

Частые вопросы

Ответы на вопросы, которые чаще всего задают при работе с pytesseract.

Можно ли распознать текст из PDF?

Tesseract принимает только изображения. Страницы PDF сначала рендерят в картинки, например пакетом pdf2image (нужен Poppler) или PyMuPDF, а затем передают в image_to_string().

Распознает ли pytesseract рукописный текст?

Почти нет: модели Tesseract обучены на печатных шрифтах. Для рукописи используют облачные OCR-сервисы или специализированные нейросети.

Как ускорить распознавание большого количества файлов?

Обрезайте картинку до области с текстом, указывайте один язык и запускайте обработку файлов параллельно через concurrent.futures.ProcessPoolExecutor, так как каждый вызов запускает отдельный процесс tesseract.

Чем pytesseract отличается от EasyOCR?

EasyOCR работает на PyTorch, лучше справляется с фотографиями и текстом на сложном фоне, но тяжелее и медленнее без видеокарты. Pytesseract легче, быстрее на чистых сканах и не требует скачивания больших моделей.