python-ocr-pytesseract

Fala pessoal blz? Nesse post, vou ensinar para vocês um pouco sobre uma tecnologia poderosíssima que podemos utilizar com python para extrair textos de dentro de imagens. Essa tecnologia é geralmente conhecida como OCR! Mas o que seria um OCR?

Optical Character Recognition (OCR) é uma tecnologia para reconhecer caracteres a partir de um arquivo de imagem. Então, por meio do OCR é possível obter um arquivo de texto editável por um computador.

Para conseguirmos realizar essa proeza, vamos precisar então de ter em nossa máquina uma ferramenta de OCR e nesse caso, a escolhida para ser utilizada nesse post será o Tesseract.

O Tesseract foi originalmente desenvolvido na Hewlett-Packard (HP) Laboratories Bristol e na HP Co, Greeley Colorado, entre os anos de 1985 à 1994. Em 1996 foi portado para Windows e em 2005 o Tesseract foi liberado a comunidade pela HP e desde 2006 é então desenvolvido pela gigante Google. Se a curiosidade bater, de uma olhada em seu repositório no github.

O Tesseract por natureza é uma aplicação de terminal e a sua API disponibilizada para desenvolvimento é a libtesseract possui suporte apenas para as linguagens C/C++. Para conseguirmos utilizar essa ferramenta com python, nós utilizaremos uma biblioteca chamada pytesseract. Escolhida neste post por sua facilidade e alta abstração de funções disponibilizadas dentro do Tesseract. Sua grande vantagem é que trabalha com argumentos do tipo Python Image Library (PIL). O suporte ao PIL possibilita a compatibilidade a todos os formatos de imagem suportados como os formatos jpeg, png, gif, bmp, tiff entre outros. Além disso, ela aceita uma grande variedade de extensões nativamente não suportadas no tesseract que por natureza aceita somente os formatos tiff e bmp.

Nesse post vamos realizar todo processo utilizando o sistema operacional linux com a distro Ubuntu na versão 18.04 e python 3.

Instalando tesseract no Ubuntu

Primeiro vamos começar pela instalação do Tesseract OCR. Abra o terminal e digite o seguinte comando:

sudo apt-get install tesseract-ocr tesseract-ocr-por

Instalando as bibliotecas a serem utilizadas com o python

Antes de começar a instalar as bibliotecas, recomendo fortemente que leia o artigo sobre ambientes virtuais. Essa leitura é recomendada porque vai te ajudar bastante em questão de organização de projetos link para o artigo. Obs: se você estiver seguindo esse post sem utilizar um ambiente virtual, será importante trocar os comandos pip por pip3.

Instalação da biblioteca Pillow. Abra o terminal e digite o seguinte comando:

pip install pillow

Instalação da biblioteca Pytesseract. Abra o terminal e digite o seguinte comando:

pip install pytesseract

Agora, abra seu editor de código ou IDE favorito e crie o arquivo python-ocr.py e salve dentro de algum diretório. No mesmo diretório salve a imagem a seguir com o nome teste-com-python-ocr e use extensão jpg.

imagem-de-exemplo-para-teste

Agora, depois de ter baixado a imagem para o mesmo diretório do seu código python, precisamos codificar nosso exemplo. Abra o arquivo .py que você criou e digite:

1
2
3
4
5
6

# Importando o módulo Pillow (Manipulação de Imagens) para abrir a imagem no script
from PIL import Image
# Módulo para a utilização da tecnologia OCR
import pytesseract
# Extraindo o texto da imagem
print( pytesseract.image_to_string( Image.open('teste-com-python-ocr.jpg'), lang='por') )

Agora, abra seu terminal dentro do diretório onde se encontra seu código .py e a imagem que baixou e digite o seguinte comando:

Se estiver dentro do ambiente virtual use:
python python-ocr.py

Se não estiver utilizando ambiente virtual use:
python3 python-ocr.py

Resultado gerado:

1 PÁGINA

TRADUÇÃO

Português - Inglês

Simples não é mesmo? Vale ressaltar que nem sempre o texto resultante é 100% correto, a tecnologia OCR depende muito da qualidade da imagem e da quantidade de detalhes que a mesma possui. Para tentar corrigir esses possiveis problemas, existem algumas técnicas usadas para fazer melhorias na imagem diminuindo a chance de erros na hora da extração em um outro post tentarei falar mais sobre essas abordagens de correção.