OCR на Python с Tesseract: пошаговая инструкция

К концу этой инструкции у вас будет Python-скрипт, который открывает картинку со сканом или фотографией документа и печатает распознанный текст в консоль. На чистой системе весь процесс занимает 20–40 минут: большая часть времени уходит на установку самого движка Tesseract и языковых пакетов, а не на код. Код на Python здесь короткий — три строки.

Tesseract — это отдельная программа-движок OCR¹, а pytesseract — тонкая обёртка на Python, которая её вызывает. Поэтому одной командой pip install не обойтись: движок ставится отдельно.

Что нужно иметь до начала

• Python 3.8 или новее (проверьте: python --version).
• Установленный движок Tesseract 5.x — ставим ниже, до Python-части.
• Языковые данные для нужных языков: английский идёт в комплекте, русский часто нужно доставить отдельно.
• Картинка для теста — скан, фото документа или скриншот с текстом. Форматы PNG, JPEG, TIFF.
• Права на установку программ в системе (на Linux — sudo, на Windows — запуск установщика).

Если движок не установить, при первом запуске скрипта вы получите ошибку TesseractNotFoundError — это самая частая проблема новичков, о ней в разделе «Если не получилось».

Шаг 1. Установить движок Tesseract

Способ зависит от вашей операционной системы.

Linux (Ubuntu/Debian)

# движок и русский языковой пакет
sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-rus

Пакет tesseract-ocr-rus — это русский язык. Английский (eng) обычно уже входит в базовый пакет.

macOS (Homebrew)

brew install tesseract
# языковые пакеты в Homebrew ставятся отдельным пакетом
brew install tesseract-lang

Пакет tesseract-lang содержит данные для всех поддерживаемых языков, включая русский.

Windows

Скачайте установщик от UB Mannheim (это самая распространённая сборка Tesseract под Windows) и в процессе установки в разделе выбора компонентов отметьте Russian в списке дополнительных языков. Актуальную ссылку и версию сверяйте в репозитории проекта — не берите сборку с случайных сайтов.

Проверка шага. Откройте терминал и выполните:

tesseract --version

Должна появиться строка вида tesseract 5.x.x. Затем проверьте, что русский язык виден движку:

tesseract --list-langs

В списке должны быть как минимум eng и rus. Если rus нет — языковой пакет не встал, вернитесь к установке.

Шаг 2. Установить pytesseract и Pillow

Создайте виртуальное окружение и поставьте две библиотеки. Pillow нужен, чтобы открывать изображения.

python -m venv venv
# Linux/macOS:
source venv/bin/activate
# Windows:
venv\Scripts\activate

pip install pytesseract Pillow

Проверка шага. Выполните pip show pytesseract — команда должна вывести версию пакета. Ошибок при установке быть не должно.

Шаг 3. Распознать текст

Положите тестовую картинку рядом со скриптом, назовите её, например, document.png. Создайте файл ocr.py:

from PIL import Image
import pytesseract

# открываем изображение
kartinka = Image.open("document.png")

# распознаём: lang="rus" — русский, "eng" — английский,
# "rus+eng" — смешанный текст
tekst = pytesseract.image_to_string(kartinka, lang="rus+eng")

print(tekst)

Запустите:

python ocr.py

Проверка шага. В консоли появится распознанный текст с картинки. Если строки перепутаны или полны мусора вроде |_| и случайных символов — это не поломка, а низкое качество исходного изображения. Как это лечить — ниже.

Tesseract распознаёт ровно то, что видит. 80% качества результата задаётся не кодом на Python, а тем, насколько чистая и контрастная картинка приходит на вход.

Шаг 4. Указать путь к движку (только Windows и нестандартная установка)

Если на предыдущем шаге вы получили TesseractNotFoundError, значит pytesseract не нашёл движок в системном PATH. Пропишите путь явно в начале скрипта:

import pytesseract

# путь к исполняемому файлу — подставьте свой
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

На Linux и macOS этот шаг обычно не нужен — движок уже в PATH.

Если качество распознавания плохое

Простейшая предобработка часто поднимает точность заметно больше, чем любые параметры движка. Три приёма, которые стоит попробовать первыми:

• Перевести в оттенки серого. Цвет мешает движку. kartinka.convert("L").
• Увеличить масштаб. Мелкий текст (меньше ~20 пикселей по высоте буквы) распознаётся плохо. Увеличьте изображение в 2 раза перед подачей.
• Выровнять поворот. Скан под углом даёт мусор. Разверните картинку так, чтобы строки шли горизонтально.

from PIL import Image
import pytesseract

kartinka = Image.open("document.png")

# оттенки серого
kartinka = kartinka.convert("L")

# увеличить в 2 раза
shirina, vysota = kartinka.size
kartinka = kartinka.resize((shirina * 2, vysota * 2))

tekst = pytesseract.image_to_string(kartinka, lang="rus")
print(tekst)

Если не получилось

Пять типичных ошибок и что с ними делать:

1. pytesseract.pytesseract.TesseractNotFoundError — движок не установлен или не в PATH. Проверьте tesseract --version в терминале. Если команда не работает — вернитесь к шагу 1. Если работает, а Python всё равно не находит — пропишите путь как в шаге 4.
2. Error opening data file ... rus.traineddata — русский языковой пакет не установлен. Выполните tesseract --list-langs; если rus нет, доставьте языковой пакет (шаг 1).
3. ModuleNotFoundError: No module named 'PIL' — не установлен Pillow. Импортируется он как PIL, а ставится как Pillow: pip install Pillow.
4. Результат — пустая строка. Картинка слишком тёмная, размытая или текста на ней нет там, где вы думаете. Откройте её глазами, попробуйте предобработку.
5. Русские буквы заменяются латиницей (например «о» на «o»). Вы не указали lang="rus" — по умолчанию используется английский.

Полезные параметры движка

У функции image_to_string есть параметр config, куда передаются флаги движка. Самый нужный новичку — режим сегментации страницы --psm:

Пример: pytesseract.image_to_string(kartinka, lang="rus", config="--psm 6"). Полный список режимов смотрите в выводе tesseract --help-psm.

Что делать дальше

Скрипт работает — дальше углубляйтесь в те места, где у вас реально болит:

• Если картинки грязные — предобработка через OpenCV (бинаризация, удаление шума, выравнивание перекоса) поднимает точность сильнее любых флагов. Это отдельная большая тема.
• Нужны координаты слов, а не просто текст — используйте pytesseract.image_to_data, он возвращает рамки и уверенность по каждому слову.
• Много файлов — оборачивайте вызов в очередь и учитывайте, что Tesseract нагружает CPU: на пакетной обработке это узкое место.

¹ OCR (Optical Character Recognition) — оптическое распознавание символов: преобразование изображения с текстом в редактируемый текст.