简介这是一份面向64位Windows用户的离线图片文字提取工具包基于Python与easyOCR实现可用于批量处理扫描文档、截图、发票等图像中的文本适合需要快速完成OCR识别或进行二次开发的办公人员与开发者。压缩包共4862个文件、约808.61MB内含py与pyc脚本、pyd与dll运行库、h/hpp等源码头文件以及txt、enc、ttf等配置和语言资源基本覆盖easyOCR运行所需依赖。已有1308人学习下载说明该工具在批量文字识别场景中具有一定参考价值。借助包内脚本与完整依赖读者可省去繁琐的环境配置直接体验多语言识别、批量处理与结果输出流程也可据此调整识别参数、补充异常处理或集成到自有项目中。1. 六十张手机拍的表格和一个解压就能跑的 OCR 包上周有人甩过来一个压缩包里面是六十多张手机拍的纸质表格要求两小时内变成可编辑文字。手工抄一遍大概要三小时于是我把图片文字提取工具.zip解压、装了依赖、跑了一遍批量脚本四十分钟收工。这个包处理的就是这种场景把图片丢进去输出一段可复制的文本它底层用的是 easyOCR也就是用 CRAFT 做文本检测、用 CRNN 做文字识别的那套组合内置简体中文、英文等多语种模型完全本地推理不依赖网络。它适合谁经常要处理扫描件、发票截图、纸质文档拍照、PDF 转图后提取文字的人尤其是需要批量跑、不想一张张上传到在线服务的人。不适合谁需要还原版面结构表格线、多栏、图文混排位置的人——纯 OCR 只返回文字和框坐标拿不到“这是第几行第几列”的语义那得上版面分析模型。2. 为什么选 easyOCR三种环境的装法与模型落盘位置2.1 Tesseract 与 easyOCR 到底差在哪一张对比表说清老牌的 Tesseract 走的是传统图像处理路线二值化、连通域、特征匹配识别前得先把图“洗干净”。它对光照均匀、字体规整的扫描件表现稳定但一旦碰上手机拍的图——背景有阴影、纸张有折痕、字被拍歪——识别率掉得很难看而且中文需要额外挂chi_sim训练数据参数调起来相当玄学。easyOCR 是深度学习流水线检测和识别两个网络都是训练好的权重开箱即用中英混排的场景明显更稳。维度TesseracteasyOCR识别原理传统图像处理 特征CRAFT 检测 CRNN 识别中文效果需装训练数据对倾斜敏感内置模型中英混排稳依赖体积小大两套权重 torchCPU 速度快慢单张秒级到十秒级可调参数页面分割模式为主检测阈值、放大倍数、解码器二次开发命令行友好Python 接口友好如果手里的资源已经是 easyOCR 封装的换成 PaddleOCR 或 Tesseract 意味着整个调用层重写——输入输出结构、参数名、返回值全不一样。所以选型这一步不必纠结“谁更准”纠结的是“这个包里已经绑定了谁”。绑定 easyOCR 的代价是首次装包体积大、CPU 上慢收益是省掉一整套预处理调参。2.2 装完就卡住模型权重落在哪、离线机器怎么搬很多人第一次跑会以为装完 pip 就完事结果 import 之后程序卡在终端不动以为死机了。其实是在往下拉模型权重。easyOCR 的检测模型和识别模型不在 pip 包里首次Reader(...)初始化时才会去模型仓库取默认落到用户目录下的.EasyOCR/model。# 建一个干净虚拟环境避免和系统里的 torch / numpy 打架 python -m venv ocr-env source ocr-env/bin/activate # Windows 换成 ocr-env\Scripts\activate # 装 easyOCR会连带拉取 torch、torchvision、opencv 等依赖 pip install easyocr # 手动触发一次模型下载把权重提前落盘 python -c import easyocr; easyocr.Reader([ch_sim,en], gpuFalse)这三步的意义第一步隔离环境是因为 easyOCR 依赖 torch 和 opencv而这两个库对 numpy 版本相当敏感系统 Python 里往往已经装了别的项目的旧版本冲突起来报错信息完全看不出根因第二步装包第三步单独跑一次 Reader 初始化把权重下载这件事从业务代码里剥离出来失败了能立刻定位不会等到处理到第 30 张图才断。内网机器没法下载就把已经跑通过的机器上~/.EasyOCR/model整个目录拷过去然后在代码里显式指定路径并关掉下载import easyocr reader easyocr.Reader( [ch_sim, en], gpuFalse, model_storage_directory./models, # 权重目录和上面拷贝过来的目录对齐 download_enabledFalse, # 关掉自动下载缺文件直接报错而不是卡住 )model_storage_directory建议用相对路径指向项目内别用绝对路径否则换台机器就得改代码。download_enabledFalse这一项看着多余实际是给自己上保险缺权重时它会立刻抛异常而不是安静地等待网络超时排错时间从半小时缩到十秒。2.3 CPU 与 GPU 两条路线以及开机自检脚本pip 装下来的 torch 默认是 CPU 版gpuTrue会直接抛错说没有 CUDA 设备。所以第一步永远是自检别猜import torch, easyocr, cv2 print(torch:, torch.__version__) print(cuda available:, torch.cuda.is_available()) print(device count:, torch.cuda.device_count()) print(easyocr:, easyocr.__version__) print(opencv:, cv2.__version__)torch.cuda.is_available()返回 False说明装的是 CPU 版 torch或者驱动和 CUDA 版本对不上。这时候要么老老实实gpuFalse要么按显卡对应的 CUDA 版本重装 torch——注意是重装 torch不是重装 easyOCReasyOCR 本身对设备无感。torch.cuda.device_count()能看出是一张卡还是多张多卡时 easyOCR 默认只吃第一张别指望它自动并行。两条路线的实际差别CPU 上单张 A4 扫描件检测加识别大概几秒到十几秒GPU 上能压到一秒以内。批量六十张图CPU 跑十几分钟GPU 一两分钟。但如果只是偶尔提一张图配 GPU 环境的折腾成本远高于省下来的时间先跑 CPU 版确认效果再决定要不要上卡这个顺序更划算。3. 拆包与链路一张图从像素到字符串要过几道手3.1 解压后先确认三样东西这类工具包结构大同小异解压后先别急着双击运行按下面三样过一遍能省掉后面大半的困惑。第一样是入口。常见命名是main.py、app.py、ocr_gui.py之类有的包会同时存在命令行入口和图形入口。图形入口多半是 tkinter 或 PyQt 写的功能就是选文件夹、点按钮、出文本框命令行入口接受路径参数适合批处理。想接进自己的流水线就看命令行入口别去改 GUI 逻辑。第二样是依赖说明。有requirements.txt就照着装没有就去翻 import 区把第三方库挑出来。这一步容易漏的是图像相关的库比如Pillow、opencv-python、numpyeasyOCR 会带一部分但包里的预处理脚本可能额外用了别的。第三样是模型目录或下载脚本。有的包会把权重一起打包进去体积大几百 MB有的只放一个下载脚本。前者解压即用后者第一次运行需要联网或手动搬权重按 2.2 的做法处理。3.2 CRAFT 检测 CRNN 识别链路拆到每一层搞清楚这条链路后面调参才有方向。一张图进来先过检测网络 CRAFT。它输出两张得分图一张是“文本区域得分”标出每个像素属于字的概率一张是“链接得分”标出相邻字块属于同一段文本的概率。这两张图分别按text_threshold也有版本管它叫文本置信度阈值和link_threshold二值化后做连通域分析得到一堆候选文本框。接着是后处理对每个框做仿射变换把倾斜的文本条“掰正”成水平长条再按框的高度裁剪、缩放到识别网络的输入尺寸。识别网络是 CRNN 结构——卷积层提特征循环层双向 LSTM建模字符间的序列关系最后用 CTC 解码出字符序列。用 CTC 而不是逐字分类是因为文本框里到底有几个字事先不知道CTC 能把变长对齐这件事在训练时就解决掉推理时直接输出序列。理解这一层结构几个现象就顺了框没检测出来后面识别再准也没用所以小字漏检要先调检测端参数框出来了但字识别错那是识别端的问题调decoder和语言列表框被切碎了一个词变成三个框那是link_threshold太低链接得分没把它们连起来。3.3 readtext 的返回值bbox 四点、置信度与 paragraph 的坑工具包里的核心调用基本就是readtext返回值结构决定了后面怎么处理。import easyocr reader easyocr.Reader([ch_sim, en], gpuFalse) result reader.readtext(demo.png, detail1, paragraphFalse) for bbox, text, conf in result: xs [p[0] for p in bbox] ys [p[1] for p in bbox] print(f{conf:.3f}\t({min(xs)},{min(ys)})\t{text})detail1返回三元组列表bbox是四个点的坐标顺序是左上、右上、右下、左下坐标基于原图——即使内部按canvas_size缩过返回时会映射回来不用自己换算。conf是识别置信度0 到 1实测里 0.3 以下的多数是噪声或过度切分的碎片。detail0只返回文本列表方便但丢掉了位置和置信度做过滤时就用不上了。paragraphTrue是另一个高频坑它会把相邻的框合并成段落返回结构变成(bbox, text)二元组置信度没了。如果你的代码写死了三元组解包打开这个开关就直接崩。要不要开取决于需求——纯提取连续正文开要做逐行对照、保留位置关。4. 参数调优检测阈值、放大倍数与解码器的取舍表4.1 检测端三个阈值text_threshold、low_text、link_threshold这三个参数直接决定“有多少字被框住”。text_threshold控制文本区域得分图的二值化阈值调低召回更多小字和浅色字但同时把纸纹、边框、污渍也框进来调高只保留高置信区域漏字风险上升。low_text是文本区域的下限低于它的像素不参与连通域遇到淡色印刷体时可以往下压一点。link_threshold管的是“相邻字块算不算同一段”表格线密集、字间距大的场景下要调低否则一个词会被切成好几个框。实操顺序建议先固定其他参数只动text_threshold从 0.7 开始往 0.5 走看漏检的字有没有被捞回来、噪声有没有暴涨再动link_threshold从 0.4 往 0.2 走观察碎片框是否被合并。两个一起改出问题就说不清是谁的锅这是血泪经验。4.2 小字、倾斜、低对比度canvas_size、mag_ratio、rotation_infocanvas_size是检测网络输入的长边上限默认 2560。它的作用是先把图缩放到这个尺寸再检测。手机拍的整页文档字本来就小再缩一轮笔画糊成一团检测网络根本认不出来——这是长图漏检最常见的原因。调大canvas_size能救回来代价是显存和内存占用按平方增长。mag_ratio是整体放大倍数1.5 到 2.0 对手机拍摄的小字有效但它放大的同时也放大了噪声且耗时线性上升。它和canvas_size的区别在于canvas_size是“缩到多大”mag_ratio是“先放大多少再处理”小字场景下mag_ratio更直接大图场景下先调canvas_size更稳。rotation_info[90, 180, 270]处理方向不确定的图——比如一批图里混着横拍和竖拍。打开后每个角度都跑一遍检测取最优耗时直接翻到四倍。我的做法是先用 EXIF 方向信息或简单的宽高比判断批量做一次摆正实在判不出来再开这个开关别默认打开。4.3 用时间换精度decoder、beamWidth 与 batch_sizedecodergreedy是贪心解码每步取概率最大的字符快decoderbeamsearch配合beamWidth保留多条候选路径对形近字比如“己”和“已”、“0”和“O”区分更好慢一些。金额、编号这类不能错的字段值得开 beamsearch大段正文用 greedy 就够。参数默认倾向调大的效果调小的效果canvas_size2560小字检出率上升内存暴涨快小字丢失mag_ratio1.0小字更清晰耗时线性增快细笔画糊text_threshold0.7噪声少漏字多召回高脏框多link_threshold0.4段落切得碎跨行误合并beamWidth5形近字更准慢快易错batch_size1吞吐上升显存吃紧稳慢workers0多进程并行各自吃一份内存单进程内存友好batch_size和workers是吞吐参数不是精度参数。batch_size在批量推理时提高 GPU 利用率workers走多进程但每个进程都会独立加载一份模型——四核机器开 4 个 worker内存占用是单进程的四倍机器直接跪。稳妥的起点是workers0、batch_size1跑通了再往上加一次加一档。下面是封装好的一份参数组合可以直接抄def ocr_page(path, reader): return reader.readtext( path, detail1, paragraphFalse, canvas_size2560, # 检测输入长边上限整页小字调到 3000~3500 mag_ratio1.0, # 手机拍摄小字可调到 1.5~2.0 text_threshold0.7, # 文本框置信度漏字就往下调 low_text0.4, # 文本区域下限淡色字往下压 link_threshold0.4, # 相邻块连接阈值碎片多就往下调 contrast_ths0.1, # 低于该对比度触发自动增强 adjust_contrast0.5, # 增强强度过高会吃掉细笔画 min_size10, # 小于该像素高度的框直接丢弃 rotation_infoNone, # 方向已知就别开耗时翻四倍 decodergreedy, # 关键字段换成 beamsearch beamWidth5, batch_size1, workers0, allowlistNone, # 只提数字时传 0123456789. )min_size值得单独说一句它按框的像素高度过滤默认 10。整页文档缩过之后原本 8 像素高的小字会被直接丢掉看着像“识别不到”其实是过滤掉了。整页扫描件场景把它设成 5 或更低配合canvas_size一起调。5. 避坑与排查五条踩坑记录和一套固定的排错顺序5.1 五条踩坑记录现象一import easyocr 直接报错提示 numpy 的 ABI 不兼容或 opencv 找不到符号。原因通常是系统 Python 里已经装了一份别的项目留下的旧版 numpy和 easyOCR 依赖的 opencv 编译时用的版本对不上。解决方式是别在全局环境折腾建虚拟环境重装装完先跑一遍 2.3 的自检脚本确认五个版本号都打印出来再写业务代码。现象二程序运行后终端一动不动等了几分钟才出结果或者干脆超时退出。这是在拉模型权重默认落到~/.EasyOCR/model。内网或网络受限的机器上这一步会一直等。解决方式是提前在有网机器上跑一次 Reader 初始化把 model 目录整个拷过来代码里指定model_storage_directory并设download_enabledFalse缺文件立刻报错不会假装在干活。现象三中文全变成英文乱码或者一串不相干的字符。语言列表写错了。只传[en]时中文会被强行映射到英文字符集结果就是乱码传[ch_tra,ch_sim]顺序反了繁体会抢在简体前面匹配。正确写法是简体优先、英文兜底[ch_sim, en]。数字和符号不需要单独加识别网络自带基础字符集。现象四一整张长截图或整页扫描件最后只出来几行字。两个原因叠在一起canvas_size把长边缩到 2560 后小字糊了min_size又把缩完的小框过滤掉了。解决是先按高度把长图切成两三段分别识别或者把canvas_size提到 3500、min_size降到 5同时观察内存占用别把机器跑爆。现象五GPU 跑到一半报显存不足。常见于batch_size和canvas_size同时调大或者开了多个 worker 各自加载一份模型。先降batch_size到 1再把workers设回 0还不行就按图像尺寸分块处理。显存是硬约束参数调优必须先确定这条边界再谈精度。5.2 排错顺序先看图、再看框、最后看字排错最忌讳一上来就改参数。我一般按三段走每段有明确的判据。第一段看输入图。把图读进来打印尺寸、通道数、均值确认不是全黑、不是四通道带 alpha、不是 CMYK 的 JPEG。四通道图直接喂进去opencv 读出来和 PIL 读出来通道顺序不一样颜色反了检测网络就懵了。这一步用几行代码就能排掉一大半“玄学”问题。第二段看检测框。把readtext返回的 bbox 画回原图存成一张调试图肉眼扫一遍字有没有被框住框有没有把一个词切成三段整页是不是只框了下半部分框不对就只调检测端参数canvas_size、mag_ratio、text_threshold、link_threshold、min_size别去动识别端的。第三段才看字。框对了但字错问题在识别端语言列表、decoder、allowlist。形近字错得多就开 beamsearch某些字符被系统性地认错比如把“O”全认成“0”用allowlist或blocklist直接约束字符集比调参快得多。6. 进阶落地批量流水线、置信度过滤与 CER 自检单张跑通只是开始真正省时间的是批量。下面这段把目录里的图逐张识别、按置信度过滤、落盘成同名 txt顺便记录每张图的平均置信度方便事后挑出可疑结果人工复核。import pathlib, easyocr reader easyocr.Reader([ch_sim, en], gpuFalse, download_enabledFalse, model_storage_directory./models) src, out pathlib.Path(input_images), pathlib.Path(output) out.mkdir(exist_okTrue) summary [] for p in sorted(src.glob(*.jpg)) sorted(src.glob(*.png)): lines reader.readtext(str(p), detail1, paragraphFalse, canvas_size3000, mag_ratio1.5, min_size5) # 置信度低于 0.3 的多为碎片框直接丢弃避免脏字污染正文 keep [(t, c) for _, t, c in lines if c 0.3] (out / (p.stem .txt)).write_text(\n.join(t for t, _ in keep), encodingutf-8) avg round(sum(c for _, c in keep) / max(len(keep), 1), 3) summary.append((p.name, len(lines), len(keep), avg)) for row in summary: print(row)这段的关键不在循环在三个决策点。sorted()保证处理顺序稳定出问题能复现置信度 0.3 这条线是可调的宁可丢几个字也别让噪声混进正文需要高召回时降到 0.15 再人工过一遍summary里同时记原始框数和保留框数比值低于 0.5 说明这张图检测质量差值得单独看一眼原图。批量的意义还在于能算指标。抽十张图人工校对一遍用字级编辑距离算 CER就能判断这套参数到底够不够用而不是凭感觉说“还行”。def cer(ref, hyp): 字级编辑距离 / 参考串长度越小越好 m, n len(ref), len(hyp) dp list(range(n 1)) for i in range(1, m 1): prev, dp[0] dp[0], i for j in range(1, n 1): cur dp[j] dp[j] min(dp[j] 1, dp[j - 1] 1, prev (ref[i - 1] ! hyp[j - 1])) prev cur return dp[n] / max(m, 1)CER 低于 0.05 基本可以直接用0.05 到 0.15 之间错的多半是形近字和标点开着 beamsearch 再跑一轮能压下去一截超过 0.2 就别在参数上磨了回头查图像质量——分辨率、对焦、光照这三样决定了 OCR 的天花板参数只能在天花板下面腾挪。我吃过一次亏花了两小时调text_threshold最后发现那批图是拍照时手抖糊掉的重新拍一遍 CER 直接从 0.28 掉到 0.04。从那以后我每次拿到新的一批图都强制先抽三张跑一遍、算出 CER、看一眼调试图再决定要不要调参——顺序反了全是白工。希望帮到你。本文还有配套的精品资源点击获取
