InicioProductoCasos de usoPreciosBlogContactoAcceder Pedir una demo

Blog

Pytesseract: cómo convertir imágenes en texto con Python [tutorial]

En resumen

Pytesseract permite usar Tesseract OCR desde Python: entra una imagen y sale texto. La guía siguiente va de la instalación al primer resultado. Si lo que necesita de facturas o pedidos son campos y líneas de detalle y no texto en bruto, al final del artículo verá dónde se queda corto Tesseract.

Última actualización:

  • Publicado el 1 de septiembre de 2023
  • Actualizado el 26 de enero de 2024

Pytesseract es una biblioteca de Python basada en Tesseract OCR, de Google, que lleva el reconocimiento óptico de caracteres a las aplicaciones Python. Este artículo explica cómo instalarlo, configurarlo y usarlo para leer el texto de una imagen.

¿Qué es Pytesseract?

Pytesseract es una biblioteca de Python que extrae texto de imágenes usando Tesseract OCR. Tesseract es un software de código abierto desarrollado por Google para el reconocimiento óptico de caracteres (OCR), es decir, para reconocer el texto de un archivo de imagen y convertirlo en texto editable. Pytesseract ofrece una interfaz sencilla para usar Tesseract desde Python.

Leer el texto de una imagen con Pytesseract, paso a paso

Leer el texto de una imagen con Pytesseract lleva pocos pasos:

Instalar Tesseract en Windows

Tesseract OCR nació para Linux. La versión para Windows existe gracias a la Universidad de Mannheim, que usa Tesseract para procesar periódicos alemanes históricos. El instalador para Windows está en GitHub: https://github.com/UB-Mannheim/tesseract/wiki

Con este instalador, Tesseract OCR queda instalado en Windows y Pytesseract puede usarlo.

Nota: si al instalar Tesseract no se incluyó el paquete de idioma español, tendrá que instalarlo por separado. Para ello, descargue los datos de entrenamiento para español y cópielos en el directorio ‘tessdata’, que se encuentra, por ejemplo, en “C:\Program Files (x86)\Tesseract-OCR\tessdata”. Los datos de entrenamiento para muchos idiomas, entre ellos el español, están disponibles aquí: https://github.com/tesseract-ocr/tessdata/blob/main/spa.traineddata

Instalar Pytesseract

Una vez instalado Tesseract en su sistema operativo, instale los módulos “Image” y “pytesseract” con el gestor de paquetes pip.

pip install pytesseract pillow

Importar los módulos

Importe los módulos necesarios en su código Python.

from PIL import Image
import pytesseract

Indicar la ruta de Tesseract OCR

Indique la ruta de su instalación de Tesseract OCR para que Pytesseract encuentre el ejecutable.

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

Cargar la imagen

Cargue la imagen de la que quiere extraer el texto con la Python Imaging Library (PIL).

image = Image.open("scan.png")

Ejecutar el reconocimiento de texto

Utilice el método image_to_string() de Pytesseract para extraer el texto de la imagen:

text = pytesseract.image_to_string(image, lang="spa")
print(text)

Ejemplo de resultado

Cuando Tesseract no basta

Tesseract le da texto, no significado. En una factura o un pedido obtiene una cadena de caracteres, y le toca a usted averiguar qué número es el total, dónde empieza la tabla y si la referencia de artículo existe. Los problemas habituales:

  • Tesseract no devuelve campos. El número de factura, la fecha o el proveedor hay que buscarlos con expresiones regulares o por posición, y repetirlo para cada diseño.
  • Las tablas se desmoronan, y las líneas de detalle con cantidad, unidad y precio salen como texto corrido.
  • Nada comprueba los valores. Solo el cotejo con sus datos maestros dice si un valor leído es correcto.

smartextract lee los campos y las líneas de detalle sin una plantilla por diseño, los coteja con sus datos maestros y los entrega como JSON a través de la API o los exporta en CSV, XLS o XML. Consulte la documentación de la API · Pruébelo con 100 créditos gratuitos

Lo que Pytesseract hace bien

Pytesseract es la herramienta de referencia para el reconocimiento óptico de caracteres en Python. Saca el texto de las imágenes para que pueda trabajar con él como datos.

Si lo que necesita es texto en bruto de escaneos, capturas de pantalla o fotos, Pytesseract cumple bien y le ahorra teclearlo.

Envíenos un documento y vea la extracción.

30 minutos, sus propios documentos, sin preparación previa.