はじめに
画像から文字を抽出する OCR（Optical Character Recognition） は、
・帳票処理
・自動化テスト
・セキュリティ検証
など、実務で地味に出番が多い技術です。
本記事では pytesseract を使い、
「動くところまで」ではなく
「実務でハマらずに使えるところまで」 を解説します。
pytesseract とは？
pytesseract は OCR エンジンではありません。
- OCRエンジン：Tesseract（C++）
- pytesseract：Python から Tesseract を呼び出すラッパー
つまり：
画像 → pytesseract → Tesseract → 文字列
pytesseract 自体は subprocess 的な役割です。
インストール（ここが最初の関門）
1. Tesseract 本体をインストール（必須）
macOS
brew install tesseract
Ubuntu
sudo apt install tesseract-ocr
2. Python ライブラリ
pip install pytesseract pillow
Pillow がないと画像が読めません
OCR 以前の問題で詰みます
最小構成サンプル
from PIL import Image
import pytesseract
img = Image.open("sample.png")
text = pytesseract.image_to_string(img, lang="eng")
print(text)
これで文字が出れば成功です。
Windows 特有の落とし穴
Windows では Tesseract のパス指定が必要なことが多いです。
pytesseract.pytesseract.tesseract_cmd = (
r"C:\Program Files\Tesseract-OCR\tesseract.exe"
)
指定しないと：
TesseractNotFoundError
が出ます。
pytesseract は「道案内役」なので、道を教えてあげましょう。
日本語
言語パック確認
tesseract --list-langs
macOS（まとめて）
brew install tesseract-lang
使用例
text = pytesseract.image_to_string(img, lang="jpn+chi_sim")
OCR 精度を左右する最大要因：画像前処理
OCRの成功率は8割が前処理で決まります。
定番の前処理パターン
import cv2
from PIL import Image
img = cv2.imread("sample.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
pil_img = Image.fromarray(thresh)
text = pytesseract.image_to_string(pil_img)
経験則
- 原画像 → ❌
- グレースケール → △
- 二値化 → ◎
「OCR が弱い」のではなく
画像が OCR 向きじゃないだけなことがほとんど。
座標付き OCR
文字＋位置情報を取得
data = pytesseract.image_to_data(
img, output_type=pytesseract.Output.DICT
)
for i, word in enumerate(data["text"]):
if word.strip():
x = data["left"][i]
y = data["top"][i]
w = data["width"][i]
h = data["height"][i]
使い道
- OCR + Selenium 自動操作
- 画面差分検出
- UI テストのテキスト検証
image_to_string だけじゃない API
| API | 用途 |
|---|---|
| image_to_string | 単純OCR |
| image_to_data | 座標付き |
| image_to_boxes | 文字単位 |
| image_to_pdf_or_hocr | PDF生成 |
pytesseract の得意・不得意
得意
- スキャン文書
- UI テキスト抽出
- 英語・活字日本語
- 自動化・検証用途
不得意
- 手書き文字
- 歪んだ CAPTCHA
- 写真背景文字
セキュリティ用途では
「突破できる CAPTCHA ＝ そもそも弱い」
他 OCR ライブラリとの比較
| ライブラリ | 特徴 |
|---|---|
| pytesseract | 軽量・ローカル |
| PaddleOCR | 中文最強 |
| EasyOCR | DLベース |
| Google Vision | 高精度・有料 |
一言で言うと：
pytesseract は「現場向け」、AI魔法はしない
実務・セキュリティでの活用例
- Selenium + OCR 自動テスト
- PDF 書類の文字抽出
- UI 変更検知
- 弱 CAPTCHA の検証
- Red Team の自動操作補助
まとめ
- pytesseract は OCRの司令塔
- 本体は Tesseract
- 成否は 前処理が8割
- 座標付き OCR が本命