怎么提取图片中的文字,OCR软件推荐 2024

题图来自Unsplash，基于CC0协议

导读

把图片里的文字拿出来，这事儿现在已经跟拍个照似的方便了。无论是PDF里的扫描件，还是照片上快递单、书籍页面，甚至是餐厅菜单、餐馆菜单上的字，你都可以轻松地把它“变成文字”。这种技术最核心的玩法，其实就叫 OCR，也就是光学字符识别 (Optical Character Recognition)。下面，我们来聊聊怎么操作，以及背后的一些道理。

说到提取工作的原理，虽然有好多种方法，但说到底，无非就是三板斧：图像解析、文字定位、字符识别。

1. 图像是什么？ 把图片变成计算机能懂的一堆小方块。就像你看照片时，看到的是连续的图像，但计算机默认是一颗颗的“像素”，每个像素有不同颜色代码。这是最基础的一步。
2. 找到“文字在哪里”？ OCR 工具像侦探，要先在图片中找出哪些区域是文字，而不是背景或者图片的其他内容。这需要一些“图像处理”的功夫，比如分析颜色和饱和度的变化、边缘检测等。
3. 读出来？是什么字？ 这一步是最有技术含量的。只要找到了文字区域，下一功夫就是“猜”这些图像中的“小方块”代表什么文字。它是看看像素变化，对比数据库里的各种字体写法来识别，或者用更高级的技术，比如时下比较流行的方式就是“文字检测”和“文字行识别”，再进一步识别每个字符。整个过程就是通过某种算法把图像中的文字以及其他信息如字体、大小、颜色、位置（旋转角度）等都提取出来，这叫做“OCR 输出数据”，简称 OSD。

能做这个事儿的软件和在线工具实在太多了。如果你是在桌面搞定，Windows 自带的扫描文档功能、Mac 自带的图像捕捉或者文字感应器功能也不赖。而对于更专业、灵活或者控制更多玩意的需求，像像 Python 关联库 PyTesseract 就提供了这个功能， Hyper、或者说些 PDF 编辑器，如 Adobe Acrobat Pro等。如果你经常弄图片文字，其实手机下载个微信，微信有个扫一扫图片识别，包括文字提取；用手机本身也好，像一些 OCR App 如“扫全能王”、“Office 文件扫描仪”、“Google Lens”，也能干这个活儿。云上 网站更好鼓捣，像像 Microsoft Azure Form Recognizer、ABBYY Cloud OCR、有一些开源的 Tesseract OCR 在线接口、百度的通用文字识别 API 如果你在乎国内的情况，没问题，再加上专门的工具，比如 Readiris、ABBYY FineReader（专业软件，功能强，但通常也花钱）。

想动手做，一般分几个步骤：

1. 准备图： 确保你抓到的图清晰，字迹有模有样，别画蛇添足加那么多背景杂七杂八。光线拍得好，自然识别就轻松不少。
2. 准确定位和选取： 别整个图片全拿来塞给工具，哪儿有字，你手动框起来最好，尤其是那些混合了大图或者复杂的截图，重点提起区域准确对工具帮助大。当然，有智能指的是，很多工具自己也能自动搞定这个部分，只不过很多时候你手动框框，效果更佳一点。
3. 上手识别： 把图投喂进 OCR 软件里，等待识别，看结果出来。
4. 校正： 哎呀我看出来识别也有不对的地方，有些字没认出来，少写了一两个字，这咋整？它通常会给你提供修正、复制粘贴，甚至一个一个地手动修改。OCR 不是没有错误的，你得看情况。
5. 保存输出： 能提取出来的文字，可以复制粘贴，或者导成文本文件、Excel 或 PDF 等格式，看你需要。

说到提取资讯，其实 OCR 的正确率并不是铁板一块，它跟啥都有关系，你投喂进去了，它输出的质量也和你给的材料息息相关。

• 图本身质量： 清不清晰？字迹模不模糊？颜色干净不干净？还是说图片背景啥都有，真正要识别的文字被糊掉，就像你糊着眼去看东西一样，越糊好像看到的东西越少。
• 光线亮不亮： 图拍出来要么光线特别不足，反差特别大，或者跟纸上的字颜色反差（例如黑字印在米黄纸上，还是白字印在红纸上）很小，那识别肯定没那么容易、不那么靠谱。
• 文字的位置和大小： 要识别的文字在图里面是在哪个地方？是在边缘、角落，还是中间高地？字是印得比人大，比较大，还是印刷得很小。这些位置和尺寸，有时候也小有问题。
• 字体和语言： 工具支持哪种字体、哪种语言。如果你不常用的标准字体它是能认出来的，或者你用的特殊艺术字体，它识别可能就不怎么准确；另外，中文和英文、或者其他语言，只要你的 OCR 工具没配置上这方面的语言数据，就没法完美识别。

总的来说，从一张图里抠文字，这事儿现在真的不难，连初中没毕业的小白都能自给自足用。只要你准备好了合适的图，选择个合适的 OCR 工具，注意些细节，就能轻轻松松地把众多图片资料里的“干货”全都提取出来。如果你之后还想自己做个自动提取的名字工具，也不过是代码敲敲、服务器搭搭，门槛还真不高。