圖片文字辨識：Google Cloud Vision API vs pytesseract

環境安裝、使用教學、效果比較

這篇會介紹Google Cloud Vision API和pytesseract套件的環境安裝及使用教學，最後會進行兩者文字辨識效果的比較。辨識效果先講結論，Google Cloud Vision API 屌打pytesseract套件。

前言

近來在處理一個案子，從PDF擷取公文資料到EXCEL檔案裡面，以方便進行彙整統計，其中住址的部分因為涉及個人隱私，因此住址特別設計成圖片，並非一般文字，防止有心人士萃取，在處理圖片就比較麻煩一點，我採取的做法就是先以PyPDF2套件萃取圖片，再想辦法從圖片辨識出文字。

pytesseract

Tesseract是一個光學字元辨識(OCR)引擎，目前由Google 贊助開發。pythone使用Tesseract的套件就是pytesseract。

1. 備妥程式運行環境

• pip install pytesseract
• 根據電腦環境在該網站下載tesseract.exe。
• 在Github respository下載best trained model(ex:chi_tra.traineddata)，放入到上述下載testdata資料夾裡面，以我的路徑為例：

C:\Program Files\Tesseract-OCR\tessdata

testdata資料夾

• 加入系統環境變數

記得要加入系統環境變數，否則會噴出error，變數名稱是TESSDATA_PREFIX，路徑則是剛剛的testdatatestdata資料夾

2. 運行程式

用以下範例圖片測試：

3. 代碼實現

import pytesseract
from PIL import Image
#指定剛剛下載tesseract.exe的完整路徑
pytesseract.pytesseract.tesseract_cmd = r’C:\Program…