Pythonで画像から文字列を読み込み（OCR）

1.ライブラリをインポート

pip install pillow
pip install pytesseract

2.Tesseract-OCRをインストール

3.日本語のOCRの訓練データを取得

下記のサイトからダウンロードして、「Tesseract-OCR\tessdata」のパスに格納する

4.Pythonで画像から文字列を読み込み

from PIL import Image
import pytesseract
import os

# Tesseractのパスを指定
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 

# 画像フォルダのパス
image_folder = 'C:/Desktop/pdf'

# 結果を保存するフォルダ
output_folder = 'output_txts'
os.makedirs(output_folder, exist_ok=True)

# 画像をループ
for image_file in os.listdir(image_folder):
    if image_file.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.tiff')):  
        # 画像のパス
        image_path = os.path.join(image_folder, image_file)
        
        # 画像を読み込み
        image = Image.open(image_path)
        
        # Tesseractを使って画像を読み込み
        text = pytesseract.image_to_string(image, lang='jpn')  # 'jpn' は日本語、英語の場合は 'eng'
        
        #  txtファイルを作成
        txt_name = os.path.splitext(image_file)[0] + '.txt'
        txt_path = os.path.join(output_folder, txt_name)
        
        # 文字列をTXTに書き込み
        with open(txt_path, 'w', encoding='utf-8') as txt_file:
            txt_file.write(text)
        
        print(f"{image_file} は {txt_name}に書き込みました")

print("完了")

下記のエラーが出た場合

modulenotfounderror: no module named 'pytesseract'

pip show pytesseract
# ⬇️こんな情報が出てくる

Name: {モジュール名}
Version: 0.13
Summary: {モジュール名} cryptographic signature library (pure python)
Home-page: http://github.com/xxxxxx/xxxxxx
Author: xxxxx xxxxx
Author-email: [e-mail]
License: XXXXX
Location: /opt/anaconda3/envs/xxxxxxxx/lib/pythonX.X/site-packages -> このPASSをコピーする
Requires: 
Required-by: 

import sys

# passの設定 (pip showで出てきた、LocationのPASSを以下に設定)
sys.path.append('/opt/anaconda3/envs/xxxxxxxx/lib/pythonX.X/site-packages')

# passの設定はimportするモジュールより前に設定
import xxxxxx

参考サイト