Python+EasyOCR实战：5分钟搞定多语言文字识别（附中英文混合识别代码）

最近在整理一些老照片和扫描文档时，我遇到了一个挺头疼的问题：里面混杂着中文、英文，甚至还有一些日文片假名。手动录入不仅效率低下，还容易出错。试过几个传统的OCR工具，要么对中文支持不好，要么配置复杂得让人望而却步。直到我发现了EasyOCR，这个基于深度学习的开源库，它用起来简单得令人惊讶，但效果却相当扎实。如果你也经常需要从图片、PDF或者视频帧里提取文字，特别是面对多语言混合的“硬骨头”，那么接下来的内容或许能帮你省下大量时间。这篇文章不是简单的安装指南，而是从一个实际开发者的角度，分享如何快速上手、避开常见坑点，并高效处理中英文混合识别的实战经验。

1. 环境搭建与核心依赖解析

在开始写代码之前，我们需要一个稳定、干净的环境。很多人一上来就pip install easyocr，这当然可以，但如果你后续需要处理复杂的图像或者追求极致的识别精度，了解其背后的依赖生态至关重要。

EasyOCR的核心是PyTorch，它负责驱动底层的深度学习模型。因此，一个与你的系统兼容的PyTorch版本是成功的第一步。我的建议是，先去PyTorch官网，根据你的操作系统、Python版本以及是否有CUDA支持的GPU，获取那条最合适的安装命令。对于大多数刚开始尝试的用户，如果机器没有NVIDIA显卡，直接安装CPU版本是最稳妥的。

# 这是一个适用于Linux/macOS且仅使用CPU的PyTorch安装示例，请以官网最新命令为准
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

安装好PyTorch后，再安装EasyOCR就一帆风顺了。它会自动拉取其他必要的依赖，如OpenCV用于图像处理，scikit-image用于图像算法等。

注意：在某些网络环境下，直接安装可能会因为模型文件过大而超时或失败。如果你遇到了这个问题，可以考虑先下载离线的语言模型包，或者使用可靠的网络代理服务（此处指代能稳定访问外部资源的网络环境，但需确保自身操作合法合规）。

一个完整的、可复现的依赖列表对于项目协作非常重要。我习惯使用requirements.txt文件来管理。下面是一个典型的用于EasyOCR项目的依赖配置示例：

基础依赖配置 (requirements.txt):

torch>=2.0.0
torchvision>=0.15.0
easyocr>=1.7.0
opencv-python-headless>=4.8.0  # 使用headless版本，避免GUI依赖，更适合服务器环境
pillow>=10.0.0
numpy>=1.24.0
scipy>=1.10.0
scikit-image>=0.21.0
python-bidi>=0.4.2  # 用于处理从右向左书写的文字（如阿拉伯语）

你可以通过 pip install -r requirements.txt 一键安装所有依赖。使用 opencv-python-headless 而不是 opencv-python，可以避免在无图形界面的服务器上安装时出现不必要的麻烦。

2. 第一行代码：从图片到文字的魔法

环境就绪，让我们立刻感受一下EasyOCR的便捷。它的API设计非常直观，核心对象就是一个Reader。创建Reader时，你需要告诉它你要识别哪些语言。

这里有一个关键点：语言代码。EasyOCR支持80多种语言，用特定的两个字母代码表示。例如：

  • en 代表英语
  • ch_sim 代表简体中文
  • ch_tra 代表繁体中文
  • ja 代表日语
  • ko 代表韩语

你可以同时指定多种语言，比如 [‘ch_sim’, ‘en’]。官方文档指出，英语与所有其他语言兼容性最好。对于中英文混合场景，这正是我们需要的组合。

让我们看一个最简单的完整示例。假设你有一张名为 mixed_text.jpg 的图片，上面既有中文也有英文。

import easyocr
import cv2

# 初始化识别器，加载中英文模型。这一步会下载模型（如果首次运行）并载入内存，耗时稍长。
reader = easyocr.Reader(['ch_sim', 'en'])

# 进行文字识别
results = reader.readtext('mixed_text.jpg')

# 打印原始结果
for result in results:
    print(result)

运行这段代码，你会得到一个列表。列表中的每一项都是一个包含三个元素的元组，格式通常为 (边界框坐标, 识别出的文本, 置信度)。边界框是一个由四个[x, y]点组成的列表，表示文字在图片中的位置（左上、右上、右下、左下）。置信度是一个0到1之间的浮点数，越高表示模型越有把握。

对于只想快速获取文字内容，不关心位置和置信度的场景，可以设置 detail=0：

text_list = reader.readtext('mixed_text.jpg', detail=0)
print(text_list)  # 输出：['你好', 'Hello', 'World', '世界']

这行代码直接返回一个字符串列表，干净利落。很多时候，我们处理批量图片只是为了提取文本内容，这个参数非常实用。

3. 破解中英文混合识别的核心挑战

中英文混合识别看似简单，但实际应用中会遇到一些特有的问题。比如，英文单词和中文汉字在字体、间距、排版习惯上差异很大，模型可能会将紧密排列的中英文错误地切分或合并。通过调整参数和进行简单的后处理，我们可以显著提升效果。

3.1 调整识别参数以优化混合文本

readtext方法提供了多个参数来微调识别过程。对于混合文本，以下几个尤为关键：

参数名类型默认值说明对混合文本的影响
paragraphboolFalse是否将结果合并为段落。设为True时，模型会尝试理解文本的段落结构，将同一行或同一区域的文本合并输出，有助于保持中英文混排句子的完整性。
width_thsfloat0.5合并文本框的宽度阈值。调低此值会使合并文本框的条件更严格，可能避免将不相干的中英文单词错误合并；调高则更倾向于合并，可能有助于连接属于同一短语的中英文。
slope_thsfloat0.1合并文本框的斜率（倾斜度）阈值。中英文可能因字体不同而有轻微的行倾斜差异，适当调整可改善同行文本的合并。
ycenter_thsfloat0.5合并文本框的垂直中心点阈值。控制哪些文本框被认为在同一水平行，对保持行结构很重要。

一个优化后的调用示例可能是这样的：

results = reader.readtext('mixed_text.jpg',
                          paragraph=True,
                          width_ths=0.7,
                          ycenter_ths=0.6,
                          detail=0)

3.2 处理特殊排版与低质量图像

我们遇到的图片并不总是完美的扫描件。可能是手机拍摄的倾斜文档，也可能是从视频中截取的模糊帧。

  • 图像预处理：在将图片交给EasyOCR之前，先用OpenCV进行预处理，往往能事半功倍。

    import cv2

def preprocess_image(image_path):
    # 读取图片
    img = cv2.imread(image_path)
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 应用自适应阈值化，增强对比度，对光照不均的图片特别有效
    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                    cv2.THRESH_BINARY, 11, 2)
    return thresh

# 使用预处理后的图像进行识别
processed_img = preprocess_image('blurry_doc.jpg')
# EasyOCR可以直接接受numpy数组格式的图片
results = reader.readtext(processed_img, detail=0)

  • 应对复杂背景：如果文字背景复杂或有水印，可以尝试调整contrast_ths和adjust_contrast参数，或者在预处理时使用更高级的技术，如背景减除。

提示：对于极度模糊或分辨率很低的图片，预处理的作用有限。此时，考虑在Reader初始化时使用更大的模型（如reader = easyocr.Reader(['ch_sim','en'], model_storage_directory='path/to/large/model')），但请注意这会增加内存消耗和识别时间。

3.3 简单的后处理规则

模型识别后，我们可以制定一些规则来清理和格式化结果，使其更符合阅读习惯。例如，中英文之间通常需要增加空格。

def postprocess_text(text_list):
    import re
    processed_lines = []
    for text in text_list:
        # 一个简单的规则：在中文和英文/数字之间插入空格
        # 例如：'你好World' -> '你好 World'
        text = re.sub(r'([\u4e00-\u9fff])([A-Za-z0-9])', r'\1 \2', text)
        text = re.sub(r'([A-Za-z0-9])([\u4e00-\u9fff])', r'\1 \2', text)
        processed_lines.append(text)
    return processed_lines

raw_texts = reader.readtext('mixed_text.jpg', detail=0)
clean_texts = postprocess_text(raw_texts)
print(clean_texts)

这个后处理函数虽然简单，但对于改善纯识别结果的观感非常有效。你可以根据自己文档的特点，添加更多规则，比如处理标点符号、修复常见的OCR错误（如将‘0’识别为‘O’）。

4. 超越基础：实战中的高级技巧与性能考量

掌握了基本用法和混合识别技巧后，我们来看看如何在实际项目中更专业地使用EasyOCR。

4.1 批量处理与结果组织

当需要处理成百上千张图片时，效率和组织性就变得很重要。我们可以结合Python的pathlib和concurrent.futures模块来实现。

from pathlib import Path
from concurrent.futures import ThreadPoolExecutor, as_completed
import json

def ocr_image(image_path):
    """对单张图片进行OCR识别"""
    try:
        texts = reader.readtext(str(image_path), detail=0, paragraph=True)
        return {'file': image_path.name, 'text': ' '.join(texts), 'status': 'success'}
    except Exception as e:
        return {'file': image_path.name, 'text': '', 'error': str(e), 'status': 'failed'}

def batch_ocr_images(image_dir, output_json='results.json', max_workers=4):
    """批量处理一个目录下的所有图片"""
    image_dir = Path(image_dir)
    image_files = list(image_dir.glob('*.jpg')) + list(image_dir.glob('*.png'))

    all_results = []
    # 使用线程池并行处理，I/O密集型任务适合用多线程
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        future_to_image = {executor.submit(ocr_image, img): img for img in image_files}
        for future in as_completed(future_to_image):
            all_results.append(future.result())

    # 将结果保存为JSON文件，便于后续分析
    with open(output_json, 'w', encoding='utf-8') as f:
        json.dump(all_results, f, ensure_ascii=False, indent=2)
    print(f"处理完成，结果已保存至 {output_json}")
    return all_results

# 使用示例
if __name__ == '__main__':
    # 注意：Reader初始化应放在主线程，避免在每个线程重复初始化模型
    reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) # 在CPU上运行
    results = batch_ocr_images('./doc_images')

这段代码实现了图片的批量OCR，并将每个文件的识别结果（或错误信息）结构化地保存到JSON文件中。使用线程池可以显著加快处理大量图片的速度。

4.2 GPU与CPU模式下的性能权衡

EasyOCR默认会尝试使用GPU（CUDA）来加速，这能带来数十倍的性能提升。你可以通过以下代码检查GPU是否可用：

import torch
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA device: {torch.cuda.get_device_name(0)}")

如果可用，Reader初始化时会自动使用GPU。如果你的GPU内存较小（比如小于4GB），在处理高分辨率图片或批量处理时可能会遇到内存不足的错误。这时你有几个选择：

  1. 强制使用CPU：在初始化时明确指定gpu=False。速度会慢，但最稳定。
  2. 调整批次大小和图片尺寸：EasyOCR内部可能会将图片分批处理。对于大图，可以先进行缩放预处理。
  3. 使用更小的模型：虽然EasyOCR主要提供默认模型，但了解其底层依赖的CRNN模型架构，理论上可以寻找或训练更轻量化的模型进行替换，但这属于高级定制范畴。

4.3 处理PDF文档与扫描件

对于多页PDF，我们需要先将每一页转换为图片，然后再进行OCR。pdf2image库是一个很好的工具。

pip install pdf2image

此外，你可能还需要安装poppler-utils（Linux/macOS）或将其二进制文件加入PATH（Windows）。

from pdf2image import convert_from_path

def ocr_pdf(pdf_path, output_txt='output.txt'):
    images = convert_from_path(pdf_path)
    all_text = []
    for i, image in enumerate(images):
        # 将PIL Image转换为OpenCV/numpy格式
        open_cv_image = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)
        texts = reader.readtext(open_cv_image, detail=0, paragraph=True)
        page_text = f'--- Page {i+1} ---\n' + '\n'.join(texts)
        all_text.append(page_text)
        print(f"Processed page {i+1}")

    with open(output_txt, 'w', encoding='utf-8') as f:
        f.write('\n\n'.join(all_text))
    print(f"PDF识别完成，文本已保存至 {output_txt}")

这段代码将PDF的每一页识别为文本，并分页保存到一个文本文件中，保留了文档的原始页面结构。

5. 错误排查与社区资源

即使按照最佳实践操作，偶尔也会遇到问题。这里列举几个我踩过的坑及其解决方法。

  • 首次运行卡在下载模型：EasyOCR首次初始化Reader时会从GitHub或其他源下载语言模型。如果网络连接不稳定，可能会失败。解决方案是手动下载模型文件。你可以在EasyOCR的GitHub仓库找到模型下载链接，将其放入正确的缓存目录（通常是 ~/.EasyOCR/model 或 C:\Users\<用户名>\.EasyOCR\model）。

  • RuntimeError: CUDA out of memory：这是GPU内存不足的典型错误。首先尝试设置gpu=False在CPU上运行。如果必须在GPU上运行，可以尝试：

    1. 在处理前减小图片尺寸。
    2. 确保没有其他程序占用大量GPU内存。
    3. 在Reader.readtext()中，如果支持的话，尝试减小batch_size参数（需要查阅最新版本文档或源码确认）。

  • 识别结果中出现乱码或奇怪符号：这通常是因为指定的语言与图片中的文字不匹配，或者字体非常特殊。确保Reader初始化时包含了正确的语言代码。对于特殊字体（如手写体、艺术字），通用OCR模型的识别率会下降，可能需要寻找专门训练的模型或进行额外的图像预处理。

  • 速度非常慢（CPU模式）：在CPU上运行深度学习模型本身就很耗时。对于实时性要求不高的后台任务，可以接受。如果需要加速，唯一的硬解就是使用GPU。另外，可以检查是否无意中在循环内重复初始化Reader对象，记住初始化一次就够了。

当遇到无法解决的问题时，别忘了利用开源社区的力量。EasyOCR的GitHub Issues页面是一个宝库，里面有很多开发者遇到并已解决的问题。提问时，最好能提供：你的环境信息（Python版本、库版本）、出错的完整代码片段、以及出错的图片（如果方便）。这能大大增加你获得有效帮助的几率。

最后，技术选型永远服务于项目需求。EasyOCR在易用性和多语言支持上表现突出，特别适合快速原型开发和处理常见格式的文档。如果你的项目对特定场景（如财务报表、医疗报告）的识别精度有极致要求，或者需要极高的处理速度，那么可能需要考虑定制化训练OCR模型，或者结合其他专门的OCR服务（如云服务商提供的API）来构建混合解决方案。不过，对于绝大多数“快速从图片中提取文字”的需求，EasyOCR已经是一个强大且优雅的瑞士军刀了。我自己的很多自动化脚本里都有它的身影，关键是，它让原本繁琐的OCR任务变得如此简单直接，这才是最打动我的地方。

# 文字识别
Logo
乐奇 Rokid 开放社区

更多推荐

cover

TestStar ｜ AIUI功能巡礼：跟一条用例从写到治，看完每个能力

avatar 乐奇 Rokid 开放社区
cover

TestStar | 接入 AIUI 测试 30 天后，别拿别人的数算自己的账

avatar 乐奇 Rokid 开放社区
cover

SQL 必知必会：手把手教你掌握 MySQL 开窗函数的 4 大核心场景（附代码）

avatar 乐奇 Rokid 开放社区