如何基于Python代码实现高精度免费OCR工具
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,
- UI开发
- 截图工具开发
- 后端引擎调用
通过这短短的项目,你不仅可以了解如何利用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行代码囊括了前端至后端的整个流程,而且涉及到截图和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或者对其进行稍许优化。
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个环境,
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的起点和终点坐标传给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。
以上就是本文的全部内容,希望对大家的学习有所帮助。
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- android功耗优化(2)--对齐唤醒
- Android 功耗(3)---高通功耗问题分析方法
- 搞定Java快速排序
- Android 功耗(4)---MTK平台待机功耗分析流程
- 使用iframe实现在pc端预览移动端页面的效果
- html+css实现彩色渐变滑动条
- 项目实战 01:将唐诗三百首写入 Elasticsearch 会发生什么?
- 装饰器和代理模式的区别,从一碗小米粥谈起
- EasyNVR部署在centos虚拟机上出现无法访问情况,该如何排查?
- RTSP协议网页无插件直播平台EasyNVR视频广场无法搜索纯数字关键词的通道,该如何解决的?
- RTSP协议网页无插件直播平台EasyNVR通道管理搜索纯数字关键词,返回结果为空如何解决?
- Mysql如何选择唯一索引和普通索引
- Python自学成才之路 多线程开发
- Mysql为什么会抖一下呢
- Python自学成才之路 线程间协作 lock,condition,event的使用