100行Python代码实现一款高精度免费OCR工具

185 阅读7分钟
原文链接: mp.weixin.qq.com
点击上方“平凡而诗意”,关注我的公众号。 设为“星标”,原创技术文章第一时间推送。

近期Github开源了一款基于Python开发、名为Textshot的截图工具,刚开源不到半个月已经500+Star。

这两天抽空看了一下Textshot的源码,的确是一个值得介绍的项目。

相对于大多数OCR工具复杂工程、差强人意的效果,Textshot具有明显的优势,

  • 项目简单
  • 技术点丰富

项目简单

Textshot整个项目只有1个Python文件、139行代码,没有复杂的第三方库应用,也不涉及过多后端算法的调用。

技术点丰富

Textshot这个项目虽然只有短短的139行代码,但是,却涉及Python中多个方面的知识应用,

  • 前端UI开发
  • 截图工具开发
  • 后端引擎调用

通过这短短的项目,你不仅可以聊天如何利用PyQt5实现一个用户界面,还可以学会如何使用 pyscreenshot开发一款自己的截图工具。此外,还能够学会后端tesseract的调用。

换句话说,这短短的139行代码囊括了前端后端的整个流程,而且涉及到截图OCR两款工具的衔接。因此,Textshot虽然工程不大,却是一个非常完备、值得学习的项目。

本文就来剖析这个项目的源代码,教你一步一步实现自用且永久免费的截图&OCR工具!

tesseract

目前OCR工具数不胜数,但是大多数都是在相同的后端算法上面进行了不同的封装而已。而真正在OCR核心做的较好、值得大书特书的,那么一定非tesseract莫属。

tesseract早在1985就已经开始由HP实验室开始研发,而在1995年更是被评为最为准确的3款OCR工具之一。此后,tesseract被开源,经过Google对其不断的进行优化和升级,它目前已经成为OCR方面一款标杆性的工具。很多开源或者付费的OCR工具,都是直接调用tesseract或者对其进行少许优化。

而今天介绍的Textshot就是直接调用tesseract后端引擎进行OCR识别。因此,Textshot只是实现了一款截图工具,起到前后端的串联作用,在OCR识别算法方面并没有做任何工作。

tesseract安装

由于Textshot的OCR识别需要调用tesseract后端引擎,所以,首先需要安装tesseract。

Windows版安装可以直接访问下载链接[1].

Mac下可以使用Homebrew进行安装,

brew install tesseract

Textshot

Textshot是一款截图识别文字的OCR工具,因此,它主要涉及2个环节,

  • 截图
  • OCR识别

Textshot首先通过截图获取需要进行文字识别的图像,然后对这副图像进行OCR文字识别,输出识别结果。

前面已经介绍了,Textshot的OCR识别阶段调用的是tesseract,所以只需要1行代码即可完成。

因此,Textshot的工作主要是围绕前端窗口和截图工具的实现方面。

截图工具

截图工具是我们经常会用到的一种工具,如何实现一款截图工具?

很多人会把它想的非常复杂,其实,Python中有很多可以实现截图的库或者函数,例如,pyscreenshot或者 pillow中的ImageGrab函数,它的调用方式如下,

shot = ImageGrab.grab(bbox=(x1, y1, x2, y2))

也就是说,我们只需要把鼠标框选起点终点坐标传给grab方法就可以实现截图功能。

那么,现在问题就转化为如何获取鼠标框选的起点和终点?

Textshot通过调用PyQt5并继承QWidget来实现鼠标框选过程中的一些方法来获取框选的起点和终点。

Textshot继承和重写QWidget方法主要包括如下几个,

  • keyPressEvent(self, event):键盘响应函数
  • paintEvent(self, event):UI绘制函数
  • mousePressEvent(self, event):鼠标点击事件
  • mouseMoveEvent(self, event):鼠标移动事件
  • mouseReleaseEvent(self, event):鼠标释放事件

可以看出,上面重写的方法以及囊括了截图过程中涉及的各个动作,

  • 点击鼠标
  • 拖动、绘制截图框
  • 释放鼠标
class Snipper(QtWidgets.QWidget):    def __init__(self, parent=None, flags=Qt.WindowFlags()):        super().__init__(parent=parent, flags=flags)        self.setWindowTitle("TextShot")        self.setWindowFlags(            Qt.FramelessWindowHint | Qt.WindowStaysOnTopHint | Qt.Dialog        )        self.is_macos = sys.platform.startswith("darwin")        if self.is_macos:            self.setWindowState(self.windowState() | Qt.WindowMaximized)        else:            self.setWindowState(self.windowState() | Qt.WindowFullScreen)        self.setStyleSheet("background-color: black")        self.setWindowOpacity(0.5)        QtWidgets.QApplication.setOverrideCursor(QtGui.QCursor(QtCore.Qt.CrossCursor))        self.start, self.end = QtCore.QPoint(), QtCore.QPoint()    def keyPressEvent(self, event):        if event.key() == Qt.Key_Escape:            QtWidgets.QApplication.quit()        return super().keyPressEvent(event)    def paintEvent(self, event):        if self.start == self.end:            return super().paintEvent(event)        painter = QtGui.QPainter(self)        painter.setPen(QtGui.QPen(QtGui.QColor(255, 255, 255), 3))        painter.setBrush(QtGui.QColor(255, 255, 255, 100))        if self.is_macos:            start, end = (self.mapFromGlobal(self.start), self.mapFromGlobal(self.end))        else:            start, end = self.start, self.end        painter.drawRect(QtCore.QRect(start, end))        return super().paintEvent(event)    def mousePressEvent(self, event):        self.start = self.end = QtGui.QCursor.pos()        self.update()        return super().mousePressEvent(event)    def mouseMoveEvent(self, event):        self.end = QtGui.QCursor.pos()        self.update()        return super().mousePressEvent(event)    def mouseReleaseEvent(self, event):        if self.start == self.end:            return super().mouseReleaseEvent(event)        x1, x2 = sorted((self.start.x(), self.end.x()))        y1, y2 = sorted((self.start.y(), self.end.y()))

然后启动截图界面,

QtCore.QCoreApplication.setAttribute(Qt.AA_DisableHighDpiScaling)app = QtWidgets.QApplication(sys.argv)window = QtWidgets.QMainWindow()snipper = Snipper(window)snipper.show()

用户拖动、框选窗口,会获取窗口的起点和终点的坐标,这时候可以调用下面语句进行截图,获取需要OCR识别的文本图像,

shot = ImageGrab.grab(bbox=(x1, y1, x2, y2))

OCR文字识别

通过ImageGrab.grab截取到文本图像 shot,下一步就是要把图像内容输入给后端的tesseract引擎,让它把图像转化为字符串

result = pytesseract.image_to_string(img, timeout=2, lang=(sys.argv[1] if len(sys.argv) > 1 else None))

到这里,就实现了一款准确度高、永久免费的OCR工具。

回顾一下Textshot的项目,我们会发现截图坐标范围内的图像、OCR识别只需要2行代码,大多数都是在围绕获取窗口起点和终点坐标在开发。换句话说,Textshot这个项目对OCR核心部分并没有做任何更改,只是在产品包装方面做了一些巧妙的工作。

我们其实也可以发现思维,产生更多与众不同的产品思路,例如,

  • 通过Python的第三方PDF处理库实现一款PDF文本识别工具
  • tesseract结合web框架实现一个网页端OCR工具
  • 结合tesseract和Google、有道翻译API实现一款OCR+翻译工具
  • ...

推荐阅读


个人微信

欢迎各位同学添加我的个人微信,互相交流、互相学习,第一时间获得更多冷门好用的小工具!

我整理了10T+资源进行共享,其中包括实用工具、Python电子书、Spring视频教程、机器学习资源,扫码关注我的公众号“平凡而诗意”,后台回复相应关键字即可获得。除此之外,原创技术文章会第一时间推送,如果喜欢,麻烦点一下“在看”~

参考资料

[1]

tesseract: https://digi.bib.uni-mannheim.de/tesseract/