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