简介：这是一份面向需要从图片中批量提取文字的用户准备的离线OCR工具包，基于Python与easyOCR库实现，适用于64位Windows系统，可帮助办公人员、数据整理者及开发者快速完成截图、扫描件等图像的文字抓取，无需联网即可运行。压缩包共4862个文件，约808.61MB，以py源码、pyc字节码、pyd扩展模块和h头文件为主，同时包含dll动态库、ttf字体、png图标及txt说明等，构成完整的Python运行与识别环境。目前已有1307人学习下载。工具支持中英文等多语言识别，可遍历文件夹批量处理图片，并允许调整最小字体、检测框精度等参数优化效果；包内附easyOCR安装与调用示例，便于二次开发或集成到自有项目中，同时提供异常捕获与多线程加速思路，帮助应对图像质量差、文字排列复杂等实际场景。
1. 从一张截图到可编辑文本：这个工具包到底解决了什么
上周帮同事处理一批扫描版合同，对方发来 30 多张手机拍的 PDF，要求把里面的条款文字抠出来做比对。手动敲了两页就发现不对劲——错字率太高，而且格式全乱。这种场景下，图片文字提取工具.zip 就是冲着这个痛点来的：它把 OCR 流程里最烦人的环境配置、模型下载、批量处理逻辑打包好了，解压就能跑。
这个资源包的核心是 easyOCR，一个基于 PyTorch 的轻量级 OCR 库，支持 80 多种语言，中文识别效果在开源方案里属于第一梯队。它适合两类人：一是需要快速把图片、截图、扫描件转成文本的开发者，二是想研究 OCR 落地但不想从零搭环境的学生或转行者。包里通常包含示例脚本、依赖清单和测试图片，省去了自己搜教程、拼代码的时间。如果你之前被 tesseract 的中文识别率折磨过，或者用在线 OCR 担心隐私，这个包值得拆开看看。
2. easyOCR 的选型逻辑与最小可运行环境
2.1 为什么是 easyOCR 而不是 tesseract 或 PaddleOCR
选 OCR 库这件事，我踩过的坑比想象中多。tesseract 胜在轻量，但中文需要额外下载语言包，而且对倾斜、模糊、复杂背景的图片几乎没法用，预处理稍微不到位就满屏乱码。PaddleOCR 精度确实高，但依赖 PaddlePaddle 框架，安装包大，Windows 下偶尔会遇到 DLL 加载问题，对新手不太友好。
easyOCR 的定位在两者之间：底层用 PyTorch，模型是 CRNN 加注意力机制，中文识别准确率明显优于 tesseract，安装只需要 pip 一条命令。它的检测模型 CRAFT 能较好地处理任意方向文字，识别模型对印刷体、屏幕截图、文档扫描件都有不错的表现。代价是首次运行会下载约 100MB 的模型文件，且推理速度比 PaddleOCR 稍慢，但在 CPU 上跑单张图片也就一两秒，批量处理时用 GPU 能快 5 到 10 倍。
这个工具包的价值在于，它把 easyOCR 的安装、模型缓存、批量读取、结果导出这几步串好了。你不需要自己去查 API 文档，照着脚本改路径就能用。
2.2 环境搭建：Python 版本与依赖的硬约束
easyOCR 对 Python 版本有要求，3.8 到 3.11 都能跑，但 3.12 在部分 Windows 环境下会遇到 torch 编译问题。我一般建议用 3.10，兼容性最稳。如果你机器上有多个 Python 版本，先确认 pip 对应的解释器是对的。
# 查看当前 Python 版本，确认在 3.8-3.11 之间 python --version # 创建独立虚拟环境，避免污染全局包 python -m venv ocr_env # Windows 激活 ocr_env\Scripts\activate # macOS/Linux 激活 source ocr_env/bin/activate # 安装 easyOCR，会自动拉取 torch、torchvision、opencv-python 等依赖 pip install easyocr # 如果下载慢，可以指定国内镜像源 pip install easyocr -i https://pypi.tuna.tsinghua.edu.cn/simple这里有个细节：easyOCR 安装时会自动装 CPU 版 PyTorch。如果你有 NVIDIA 显卡并且想用 GPU 加速，需要先卸载 CPU 版再装 CUDA 版，否则代码里写了gpu=True也会报错。具体命令取决于你的 CUDA 版本，常见做法是去 PyTorch 官网生成对应安装命令，不要直接复制别人的。
提示：虚拟环境激活后，命令行前面会出现
(ocr_env)标识。如果没出现，说明激活失败，后续安装会装到全局环境里，容易和已有包冲突。
2.3 第一次识别：三行代码跑通中文提取
环境好了之后，先别急着批量处理，用一张测试图确认模型能正常下载和推理。工具包里一般有test.jpg或类似文件，没有的话自己截一张带文字的图。
import easyocr # 初始化 Reader，指定中文简体(ch_sim)和英文(en) # gpu=False 表示用 CPU，有显卡且装好 CUDA 版 torch 可改为 True reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) # 读取图片，detail=0 表示只返回文本列表，不返回坐标和置信度 result = reader.readtext('test.jpg', detail=0) # 打印识别结果 for line in result: print(line)第一次运行会看到下载进度条，模型文件默认缓存在~/.EasyOCR/model目录下。下载完成后，输出应该是图片里的文字内容。如果返回空列表，先检查图片路径是否正确、图片里是否有清晰文字。detail=0返回的是纯文本列表，detail=1会返回(坐标, 文本, 置信度)三元组，后续做版面分析时需要坐标信息。
参数方面，['ch_sim', 'en']表示同时加载中文简体和英文模型，识别时会自动判断语种。如果你只处理英文，改成['en']能减少模型加载时间。gpu参数在初始化时就要确定，中途改不了，所以跑之前想清楚用不用显卡。
3. 批量处理与结果导出的工程化改造
3.1 遍历文件夹：把单张识别改成流水线
单张识别只是验证，实际场景里往往是一个文件夹几十上百张图。直接写个循环调用readtext就行，但有几个地方要注意：图片格式要统一处理，读取失败要跳过而不是中断，结果要按文件名对应保存。
import easyocr import os import json # 初始化一次，复用 Reader 对象，避免每张图都重新加载模型 reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) # 图片所在文件夹和输出文件夹 input_dir = './images' output_dir = './results' os.makedirs(output_dir, exist_ok=True) # 支持的图片格式 exts = ('.jpg', '.jpeg', '.png', '.bmp', '.tiff') all_results = {} for filename in os.listdir(input_dir): if not filename.lower().endswith(exts): continue filepath = os.path.join(input_dir, filename) try: # detail=1 返回坐标、文本、置信度，方便后续过滤低质量结果 result = reader.readtext(filepath, detail=1) # 提取文本和平均置信度 texts = [item[1] for item in result] confs = [item[2] for item in result] avg_conf = sum(confs) / len(confs) if confs else 0 all_results[filename] = { 'texts': texts, 'avg_confidence': round(avg_conf, 4) } print(f'{filename}: 识别 {len(texts)} 行，平均置信度 {avg_conf:.2f}') except Exception as e: # 单张失败不影响整体流程 print(f'{filename}: 处理失败 - {str(e)}') all_results[filename] = {'error': str(e)} # 结果保存为 JSON，方便后续程序读取 with open(os.path.join(output_dir, 'ocr_results.json'), 'w', encoding='utf-8') as f: json.dump(all_results, f, ensure_ascii=False, indent=2)这段代码的关键点在于Reader对象只初始化一次。easyOCR 加载模型需要几秒到十几秒，如果放在循环里，每张图都重新加载，批量处理会慢得让人想砸键盘。另外用try-except包住单张识别，遇到损坏图片或权限问题不会导致整个任务挂掉。置信度字段很有用，低于 0.5 的结果基本可以判定为噪声，后续可以过滤掉。
3.2 输出格式选择：TXT、JSON 还是带坐标的 CSV
工具包默认可能只输出 TXT，但实际项目里不同格式对应不同用途。我整理了一个对比表，按场景选：
| 输出格式 | 包含信息 | 适用场景 | 缺点 |
|---|---|---|---|
| TXT | 纯文本，按行拼接 | 快速查看、复制粘贴 | 丢失位置和置信度 |
| JSON | 文本、坐标、置信度 | 程序二次处理、结构化存储 | 文件体积大，人眼阅读不便 |
| CSV | 文件名、行号、文本、置信度 | Excel 分析、质量抽检 | 坐标信息需要额外列 |
| 带框图片 | 原图叠加识别框 | 验证识别效果、汇报演示 | 需要 opencv 绘图，处理慢 |
如果只是要文字内容，TXT 最省事。但如果你要做版面还原，比如判断某行文字在图片中的位置，就必须保留坐标。easyOCR 返回的坐标是四个点的列表[[x1,y1],[x2,y2],[x3,y3],[x4,y4]]，对应文本框的四个角。用 opencv 画出来就能直观看到哪些区域识别到了、哪些漏了。
import cv2 import easyocr reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) result = reader.readtext('test.jpg', detail=1) img = cv2.imread('test.jpg') for bbox, text, conf in result: # 将坐标点转为整数并绘制矩形框 pts = [(int(p[0]), int(p[1])) for p in bbox] cv2.polylines(img, [np.array(pts)], True, (0, 255, 0), 2) # 在框上方写识别文本 cv2.putText(img, text, (pts[0][0], pts[0][1] - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite('result_vis.jpg', img)这段代码依赖 numpy 和 opencv-python，easyOCR 安装时会自动带上。cv2.polylines画的是四边形框，比矩形更贴合倾斜文字。cv2.putText的中文支持不好，如果识别结果含中文，写上去会变成问号，这时候需要换成 PIL 绘图或者只画框不写字。
3.3 参数调优：识别精度不够时改什么
easyOCR 的readtext方法有几个参数直接影响结果，很多人不知道可以调：
paragraph=False：默认 False，设为 True 会把相邻文本行合并成段落，适合文章类图片，但表格类图片会打乱结构。width_ths=0.7：控制文本行合并的宽度阈值，值越大越容易把相邻文字合并成一行。表格线密集时调小到 0.3 能减少误合并。text_threshold=0.7：文本检测的置信度阈值，调低会检出更多文字但噪声也更多，调高则可能漏掉浅色文字。low_text=0.4：低置信度文本的下限，低于此值的区域直接丢弃。图片背景复杂时适当调高到 0.5 能减少误检。mag_ratio=1.5：图像放大比例，对小字号文字有效。把 1.0 改成 1.5 或 2.0 能让小字更清晰，代价是处理时间增加。
我一般先用默认参数跑一遍，看置信度分布。如果大量结果在 0.3 到 0.5 之间，说明图片质量或参数需要调整。先试mag_ratio=1.5，再试text_threshold=0.6，每次只改一个参数，否则不知道是哪个起了作用。
4. 避坑与排查：那些让识别结果翻车的细节
4.1 模型下载卡住或报 SSL 错误
现象：第一次运行easyocr.Reader()时进度条长时间不动，或者抛出SSLError、ConnectionError。
原因：模型文件托管在境外服务器，网络不稳定时下载会中断。另外公司网络如果有 SSL 拦截，证书验证会失败。
解决：手动下载模型文件放到缓存目录。easyOCR 的模型在 GitHub Release 页面，文件名类似craft_mlt_25k.pth和zh_sim_g2.pth。下载后放到~/.EasyOCR/model（Windows 是C:\Users\用户名\.EasyOCR\model）。如果不知道具体缺哪个，看报错信息里的文件名。放好后重新运行，代码会直接加载本地文件不再下载。
4.2 中文识别结果出现大量空格或乱码
现象：识别出来的中文每个字之间都有空格，或者出现□□□这样的方块。
原因：一是初始化时语言列表没写对，比如写成了['ch_tra', 'en']但图片是简体；二是字体缺失导致部分生僻字无法显示；三是图片本身分辨率太低，文字糊成一团。
解决：确认语言代码是ch_sim（简体）而不是ch_tra（繁体）。如果是显示问题，检查终端或编辑器的字体是否支持中文。分辨率问题只能从源头解决，用mag_ratio=2.0放大图像再识别，或者先用 PIL 做锐化处理。实测 300 DPI 以上的扫描件识别率明显高于 72 DPI 的屏幕截图。
4.3 GPU 模式报 CUDA 错误或显存不足
现象：设置gpu=True后报AssertionError: Torch not compiled with CUDA enabled或CUDA out of memory。
原因：安装的是 CPU 版 PyTorch，或者显卡显存太小（低于 4GB）扛不住批量推理。
解决：先确认 torch 版本，运行python -c "import torch; print(torch.cuda.is_available())"，返回 False 说明装的是 CPU 版。卸载后去 PyTorch 官网按 CUDA 版本重新安装。显存不足的话，把批量处理改成逐张推理，不要一次性把多张图塞进 GPU。另外 easyOCR 初始化时可以指定gpu=True但推理时用batch_size=1控制显存占用。
4.4 表格和竖排文字识别错乱
现象：表格里的文字被合并成一行，或者竖排文字识别成横排乱序。
原因：easyOCR 的检测模型默认按水平方向组织文本行，对表格线和竖排布局没有专门处理。
解决：表格类图片先用 opencv 做形态学操作提取横竖线，把单元格切出来单独识别。竖排文字可以在识别前把图片旋转 90 度，识别完再转回去。如果表格结构复杂，建议换用 PaddleOCR 的表格识别模型，easyOCR 在这方面确实不是强项。我一般遇到表格就手动切图，虽然笨但结果可控。
4.5 置信度虚高但内容错误
现象：某行文字置信度 0.95，但识别结果和原图对不上，比如把“未”识别成“末”。
原因：形近字是 OCR 的经典难题，模型对相似字形容易混淆，而且置信度只反映模型自己的“信心”，不代表绝对正确。
解决：对关键字段做后处理校验。比如合同里的金额、日期，用正则表达式匹配数字模式，不符合的标记出来人工复核。另外可以同时跑 easyOCR 和 tesseract，对比两者结果，不一致的地方重点检查。这个习惯帮我拦下过好几次金额识别错误。
5. 进阶技巧：用预处理把识别率再拉高一截
5.1 图像预处理三板斧：灰度、二值化、去噪
easyOCR 内部虽然会做归一化，但输入图片质量太差时，预处理能明显改善结果。我常用的组合是：转灰度 → 自适应二值化 → 中值滤波去噪。这套流程对扫描件和手机拍的文档特别有效。
import cv2 import numpy as np def preprocess_image(image_path): # 读取图片 img = cv2.imread(image_path) # 转灰度，减少颜色干扰 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自适应二值化，对光照不均的图片比全局阈值更稳 binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize=11, # 邻域大小，奇数，越大越平滑 C=2 # 阈值偏移，越大越偏向黑色 ) # 中值滤波去椒盐噪声 denoised = cv2.medianBlur(binary, 3) return denoised # 预处理后再送入 easyOCR processed = preprocess_image('noisy_doc.jpg') cv2.imwrite('processed.jpg', processed) reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) result = reader.readtext('processed.jpg', detail=0)blockSize和C是两个关键参数。blockSize决定局部阈值的计算范围，文字笔画细的图片用 9 或 11，笔画粗的用 15 或 21。C是常数偏移，值越大二值化后黑色区域越多，文字断连时调小到 1 或 2，背景噪点多时调大到 3 或 4。这套预处理不是万能的，如果原图本身清晰，跳过预处理反而更好，因为二值化可能把浅色文字直接抹掉。
5.2 多语言混合场景的语言代码配置
有些图片是中英文混排，甚至夹杂日文或韩文。easyOCR 支持同时加载多个语言模型，但语言越多，加载越慢，识别时也可能互相干扰。我的经验是：只加载图片里实际出现的语种，不要贪多。
# 中英混排，最常用 reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) # 中日英混排，加载三个模型，初始化时间明显变长 reader = easyocr.Reader(['ch_sim', 'en', 'ja'], gpu=False) # 纯数字和英文，速度最快 reader = easyocr.Reader(['en'], gpu=False)语言代码要写对：简体中文是ch_sim，繁体是ch_tra，日文是ja，韩文是ko。如果写错代码，初始化时会报ValueError。另外注意，同时加载ch_sim和ch_tra没有意义，模型会冲突，选一个就行。
5.3 结果后处理：用正则修正常见 OCR 错误
OCR 输出里有些错误是规律性的，比如数字0和字母O混淆、1和l混淆、中文引号变成英文引号。写几条正则替换能省下大量人工校对时间。
import re def postprocess_text(text): # 修正常见数字混淆：O->0, l->1（仅在数字上下文中） text = re.sub(r'(?<=\d)O(?=\d)', '0', text) text = re.sub(r'(?<=\d)l(?=\d)', '1', text) # 统一引号 text = text.replace('"', '"').replace('"', '"') text = text.replace(''', ''').replace(''', ''') # 去除行首行尾多余空格 text = text.strip() # 合并被错误拆分的英文单词（连字符后换行） text = re.sub(r'-\n', '', text) return text # 对 easyOCR 结果逐行应用 cleaned = [postprocess_text(line) for line in result]这些规则不是通用的，要根据你的实际数据调整。比如处理发票时，金额字段的校验规则又不一样。我一般先跑一批样本，把错误结果收集起来，看哪些错误反复出现，再针对性写正则。不要一上来就写几十条规则，很多根本用不上。
5.4 验证识别质量的土办法
没有标注数据的情况下，怎么判断识别结果靠不靠谱？我常用两个办法：一是随机抽 10 张图，把识别文本和原图逐行对照，统计错字率；二是用detail=1的置信度，把低于 0.6 的行全部标出来人工检查。如果低置信度行占比超过 20%，说明图片质量或参数需要调整，别急着批量跑，先解决源头问题。
还有一个笨但有效的办法：把识别结果丢进搜索引擎或拼写检查工具，看有没有大量不存在的词组。中文可以用 jieba 分词后统计生僻词比例，英文可以用language_tool_python检查语法。这些工具不能替代人工，但能快速定位问题集中的区域。
从那以后我每次拿到新的图片批次，都强制先跑 5 张样本、人工核对、调完参数再批量处理，这个习惯帮我省下了大量返工时间。希望帮到你。
本文还有配套的精品资源，点击获取
实现精准ROI提取)
