使用python

Question

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

我试图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获得正确的结果，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"

附加了用于提取文本的图像。

现在我需要一种方法来匹配它。而且我还需要知道从pytesseract中提取的字符串将是Unicode还是什么？如果有办法将其转换为Unicode（就像我们在wordpad中选择将字符转换为Unicode）

Answer 1

您正在使用Tesseract使用非英语语言，所以首先要确保您已安装语言的学习数据集，因为它显示为here（仅限linux指令）。

其次，如果你使用的是非ascii语言，我强烈建议你切换到Python 3（就像我一样，作为斯洛文尼亚语）。 Python 3可与开箱即用的Unicode配合使用，因此通过编码和解码字符串可以为您节省大量的痛苦......

# 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")

哪个输出：

Фред скорасть
Сред. Скорость
Not Match

这意味着单词并不完全匹配，但考虑到最小的编码工作量和输入图像的可怕质量，它认为性能非常惊人。无论如何，该示例表明编码和解码应该不再是一个问题。