如何用脚本批量识别图片文字？

wen 实用脚本 2026-07-23 3

如何用脚本批量识别图片文字？从零搭建高效OCR工作流

目录导读

为什么需要批量OCR？ —— 痛点场景与效率对比
核心工具选型 —— Python、Tesseract、PaddleOCR 谁更适合你？
环境搭建与脚本实战 —— 三行代码实现批量识别
进阶技巧 —— 图像预处理、多格式输出、错误处理
常见问题FAQ —— 不识别的字、多语言、大文件怎么办？

为什么需要批量OCR？一个真实场景

痛点案例：一家出版社需要将500页旧纸质书扫描为PDF后，提取其中文字进行数字化校对，如果手动逐页截图→用微信/QQ识别→复制粘贴，每页耗时2分钟，500页需要16.7小时，而用脚本批量识别，同样任务仅需30分钟，且准确率达95%以上。

如何用脚本批量识别图片文字？

效率对比： | 方式 | 单页耗时 | 500页耗时 | 错误率 | |------|---------|-----------|--------| | 手动截图+OCR | 2分钟 | 16.7小时 | 约5% | | 脚本批量识别 | 0.06分钟 | 30分钟 | 约3% |

工具选型：三大主流方案解析

Tesseract OCR（开源经典）

优势：支持100+语言、离线运行、社区文档丰富
缺点：识别精度对图像质量敏感，中文字符集需额外下载
适用场景：英文文档、印刷体中文、低资源环境

PaddleOCR（百度飞桨）

优势：自带中英文模型、识别精度高（尤其对印刷体+手写体混合）、自带版面分析
缺点：部署依赖PaddlePaddle框架（约1.2GB）
适用场景：中文文档、复杂排版、需要表格识别的场景

EasyOCR（轻量级）

优势：安装简单（纯Python）、支持80+语言、快速上手
缺点：对模糊图片效果差，CPU模式较慢
适用场景：小批量快速验证、多语言混合文档

推荐组合：

新手入门 → PaddleOCR（准确率优先）
系统集成 → Tesseract + 预处理优化（性能优先）
多语言需求 → EasyOCR（避免额外模型下载）

实战脚本：用PaddleOCR批量识别图片文字

环境安装（Windows/Mac/Linux通用）

pip install paddlepaddle paddleocr Pillow
# 注意：GPU用户请安装 paddlepaddle-gpu

核心脚本（保存为 batch_ocr.py）

import os
from paddleocr import PaddleOCR
from PIL import Image
# 初始化OCR（使用中英文模型，首次运行自动下载）
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
# 设置图片文件夹路径
input_folder = "./images"  # 存放图片的文件夹
output_file = "./results.txt"  # 结果输出文件
def batch_ocr(folder, output_txt):
    with open(output_txt, 'w', encoding='utf-8') as f:
        for i, filename in enumerate(os.listdir(folder)):
            if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
                img_path = os.path.join(folder, filename)
                try:
                    result = ocr.ocr(img_path, cls=True)
                    text = ""
                    for line in result:
                        for word_info in line:
                            text += word_info[1][0] + " "
                    f.write(f"=== {filename} ===\n{text.strip()}\n\n")
                    print(f"[{i+1}] {filename} 识别完成")
                except Exception as e:
                    f.write(f"=== {filename} ===\n【错误】{str(e)}\n\n")
                    print(f"[{i+1}] {filename} 识别失败: {e}")
if __name__ == "__main__":
    batch_ocr(input_folder, output_file)
    print("全部完成！结果已保存至：", output_file)

运行方法：将图片放入 ./images 文件夹，终端执行 python batch_ocr.py

进阶技巧：让识别结果更精准

图像预处理（提升OCR准确率30%）

在识别前对图片进行二值化、去噪、旋转校正：

from PIL import Image, ImageEnhance, ImageFilter
def preprocess_image(img_path):
    img = Image.open(img_path).convert('L')  # 转为灰度
    # 调整对比度
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)
    # 降噪
    img = img.filter(ImageFilter.MedianFilter())
    # 阈值二值化
    threshold = 150
    img = img.point(lambda x: 0 if x < threshold else 255)
    return img

多格式输出（支持TXT/JSON/CSV）

修改脚本中的写入逻辑,例如输出为JSON方便后续处理：

import json
results = []
results.append({"filename": filename, "text": text.strip()})
json.dump(results, open("results.json", "w", encoding="utf-8"), ensure_ascii=False)

处理超大图片（3000万像素以上）

拆分图片为小块识别后合并,避免内存溢出：

def split_image(img_path, block=512):
    img = cv2.imread(img_path)
    h, w = img.shape[:2]
    for y in range(0, h, block):
        for x in range(0, w, block):
            crop = img[y:min(y+block, h), x:min(x+block, w)]
            # 识别 crop 并记录坐标

常见问题FAQ

Q1：识别结果出现乱码/毫无意义的符号怎么办？
A：通常是由于图片分辨率过低，请确保图片DPI≥300，字体大小≥12pt，若为手写体，建议改用PaddleOCR内置的lang='ch'模型。

Q2：如何识别英文+中文混合文档？
A：在初始化时指定多语言：PaddleOCR(lang='ch', use_space_char=True)，系统会自动识别中日韩/英文混排。

Q3：脚本识别速度太慢，能加速吗？
A：可以尝试：

使用GPU版本（需安装CUDA）
降低 use_angle_cls 为False（跳过文字方向检测）
限制图像最大分辨率：preprocess_image 中缩放到1920px宽

Q4：图片中有表格，如何提取结构化数据？
A：使用PaddleOCR的表格识别模块：

from paddleocr import PPStructure
engine = PPStructure(show_log=False)
result = engine(img_path)
# 结果包含表格的HTML结构

Q5：脚本报错 ImportError: No module named 'paddle'
A：确认已安装PaddlePaddle，若使用Mac M1芯片，请安装：pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

通过本文提供的脚本与优化技巧，你可以将“批量识别图片文字”这一重复性工作完全自动化，对于日均处理量超过1000张图片的场景，建议配合多线程处理（Python的 ThreadPoolExecutor），速度可再提升3-5倍。90%的识别问题可以通过高质量的预处理解决，当遇到极端复杂图片时，不妨先尝试图像增强工具（如ImageMagick）再喂给OCR引擎。