在处理纸质发票、传单、小册子和表格时，经常会遇到这些文件的硬拷贝或以.jpg、.png或.pdf格式保存的文本图像。手动处理这些文件中的数据不仅繁琐耗时，而且容易出错。这些文件不能直接编辑，需要先将其转换为可编辑格式，或者使用能够从图像中读取内容并提取出来以供进一步处理的工具。可能都使用过在线或离线工具将图像转换为可编辑文本格式，以简化工作流程。这是通过光学字符识别（OCR）或Optical Character Recognition实现的。
OCR是Optical Character Recognition的缩写，通常被称为“文本识别”，这是一种从图像中提取文本的流行技术。OCR程序是一个工具，它从扫描文档、相机图像和仅图像的PDF中提取并重新利用数据。OCR系统使用硬件（如光学扫描仪）和能够处理图像的软件的组合。在文本提取方面，OCR工具（OCR库）采用多种机器算法进行模式识别，以识别图像文件中文本的存在和布局。这些工具被训练以识别图像中字符或数字的形状，以识别图像中的文本。然后，这些工具可以将提取的文本重建为机器可读的格式。因此，提取的文本可以像常规文本一样被选择、编辑或复制粘贴。简而言之，OCR将图像格式的数字数据转换为可编辑的文档处理文件。幸运的是，许多免费和商业工具（离线和在线）允许OCR技术从图像中提取文本。
目前，由于实施了智能字符识别（ICR）等技术，OCR工具相当先进，可以识别语言、笔迹风格等。在本文中，将讨论OCR、OCR的好处、为什么需要从文档中提取文本、Python中可用的OCR库，以及使用Keras-OCR库从图像中提取文本的示例。
如上所述，OCR技术的主要好处是它自动化了手动和耗时的数据输入任务。这是因为通过使用OCR，可以创建可以按要求编辑和存储的数字文档。OCR工具处理图像以识别文本，并在图像背后创建一个隐藏的文本层。这个额外的层可以被计算机轻松读取，从而使图像可识别和可搜索。这对于企业来说至关重要，因为它们每天必须处理媒体和内容。OCR还提供以下好处：
OCR应用的一个典型例子可以在医疗保险索赔表处理中看到。有了OCR，更容易将保险索赔与被保险人的详细信息进行比较。配备OCR的系统可以向相关团队标记数据中的任何异常，并防止可能的欺诈行为。
尽管OCR可以轻松从图像中提取文本，但有时也会面临挑战。当文本出现在代表自然环境的图像中时，这种情况就会发生，图像中存在几何失真、过多的噪声或杂乱和复杂的背景，以及不同于常规字体的不同字体。尽管如此，OCR技术在深度学习应用中具有越来越强大的潜力，可以构建用于读取车辆牌照、数字化发票或菜单、扫描身份证、比较索赔表等的工具。
现在已经了解了OCR及其用途，让看看一些常用的开源Python库用于文本识别和提取。
也称为‘Python-tesseract’，它是Python的OCR工具，作为Tesseract-OCR引擎的包装器。这个库可以读取所有图像类型（.jpeg、.png、.gif、.bmp、.tiff等），并识别图像中的文本。因此，它通常用于OCR图像到文本转换的用例。
另一个相当受欢迎的Python库是EasyOCR。顾名思义，该库专为初学者设计，易于使用。它是一个通用的OCR Python模块，支持80多种语言，可以读取自然场景和文档中的密集文本。安装后，用户只需要初始化两个类——一个reader()和另一个通过readtext()函数读取图像中的文本。
这是一个与上述两个库同样强大的开源库。Keras-OCR库提供了一个高级API和端到端训练管道，用于构建新的OCR模型。在下一节中，将看到一个使用Keras-OCR从多个图像中提取文本的逐步教程。可以在这里找到文档。
在本节中，将构建一个Keras-OCR管道，从一些示例图像中提取文本。在这个教程中使用Google Colab。
让首先使用以下代码安装keras-ocr库（支持Python >= 3.6和TensorFlow >= 2.0.0）：
!pip install -q keras-ocr
也可以使用以下命令从主位置安装该包。
pip install git+https://github.com/faustomorales/keras-ocr.git#egg=keras-ocr
必须导入matplotlib和新安装的Keras-ocr库来处理图像并从中提取文本。
import keras_ocr
import matplotlib.pyplot as plt
让用Keras-ocr设置一个管道。模型是一个预训练的文本提取模型，加载了检测器和识别器的预训练权重。
pipeline = keras_ocr.pipeline.Pipeline()
将使用两张图像来测试Keras-ocr库的能力。可以尝试使用任何其他带有文本的图像。
# 从文件夹路径读取图像到图像对象
images = [
keras_ocr.tools.read(img) for img in ['/content/Image1.png',
'/content/Image2.png',]
]
以下是在这个Keras-ocr库教程中使用的两张图像。一张是使用手写风格字体的纯文本图像，另一张是包含文本的图像。
现在，让在图像上运行管道识别器，并对这些图像中的文本进行预测。
# 从图像生成文本预测
prediction_groups = pipeline.recognize(images)
可以使用以下代码绘制模型的预测：
# 绘制文本预测
fig, axs = plt.subplots(nrows=len(images), figsize=(10, 20))
for ax, image, predictions in zip(axs, images, prediction_groups):
keras_ocr.tools.drawAnnotations(image=image,
predictions=predictions,
ax=ax)
得到的预测输出是——
Keras-OCR库在两张图像上都表现良好。它能够正确识别文本的位置，并从输入图像中提取单词。
还可以像这样打印图像中识别出的文本：
predicted_image = prediction_groups[1]
for text, box in predicted_image:
print(text)
如果需要，上述识别的文本可以从上述图像中转换为.csv或.txt格式以供进一步使用。