一、环境搭建与核心依赖安装
在开始职业资格证书档案数字化之前，必须先配置好Python运行环境及OCR识别引擎。本文基于Windows 10/11系统操作，Linux用户需调整路径配置。
1. 安装Python环境
访问Python官网下载3.9及以上版本安装包。安装时务必勾选"Add Python to PATH"选项。打开命令行窗口，输入以下命令验证安装是否成功：
python --version
pip --version
2. 安装Tesseract-OCR引擎
这是识别文字的核心工具。下载Tesseract-OCR 5.0 Windows安装包。下载地址为：https://github.com/UB-Mannheim/tesseract/wiki。
安装过程中，在"Choose Components"界面务必勾选"Additional language data"，并展开列表选择Chinese (Simplified)和English语言包，否则无法识别中文证书。
安装完成后，将安装路径（默认为C:\Program Files\Tesseract-OCR）添加到系统环境变量Path中。重启命令行窗口，输入tesseract --version确认配置生效。
3. 安装Python依赖库
在项目目录下打开命令行，执行以下命令安装图像处理、OCR识别及Web框架所需的库：
pip install pytesseract pillow flask opencv-python-headless
- pytesseract：Python的Tesseract封装接口。
- pillow：用于图像的读取、处理与格式转换。
- flask：用于构建查询和管理档案的Web界面。
- opencv-python-headless：用于高级图像预处理（如去噪、二值化）。
二、图像预处理与OCR识别核心代码
职业资格证书通常为扫描件或照片，直接识别准确率较低。必须先进行灰度化、二值化和降噪处理。
1. 创建图像预处理脚本
在项目目录下创建文件preprocess.py，写入以下代码。该脚本会将彩色证书转换为高对比度的黑白图像，提升OCR识别率。
```python
import cv2
import numpy as np
def preprocess_image(image_path):
读取图像
img = cv2.imread(image_path)
转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
自适应阈值二值化，处理光照不均
binary = cv2.adaptiveThreshold(
gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, 11, 2
)
中值滤波去噪
denoised = cv2.medianBlur(binary, 3)
return denoised
```
2. 实现OCR文字提取
创建ocr_engine.py，封装识别逻辑。注意指定Tesseract的路径，这是最常见的报错点。
```python
import pytesseract
from PIL import Image
import cv2
如果是Windows系统，必须显式指定tesseract.exe路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
def extract_text_from_image(image_cv):
将OpenCV图像转换为PIL图像
pil_img = Image.fromarray(image_cv)
配置识别参数：使用中英文混合语言包
custom_config = r'--oem 3 --psm 6 -l chi_sim+eng'
text = pytesseract.image_to_string(pil_img, config=custom_config)
return text
```
三、结构化数据提取与数据库存储
识别出的全文需要清洗，并提取出“姓名”、“证书编号”、“发证日期”等关键信息存入数据库。
1. 关键信息提取逻辑
证书格式虽有差异，但关键字段固定。使用正则表达式进行提取。在ocr_engine.py中追加以下函数：
```python
import re
def parse_cert_info(text):
info = {}
提取姓名：假设格式为“姓名：张三”或“姓名 张三”
name_match = re.search(r'姓名[：:]\s([\u4e00-\u9fa5]{2,4})', text)
info['name'] = name_match.group(1) if name_match else "未识别"
提取证书编号：假设格式为“证书编号：12345678”
id_match = re.search(r'编号[：:]\s([A-Z0-9]+)', text)
info['cert_id'] = id_match.group(1) if id_match else "未识别"
提取身份证号
id_card_match = re.search(r'(\d{17}[\dXx])', text)
info['id_card'] = id_card_match.group(1) if id_card_match else "未识别"
return info
```
2. 数据库初始化
创建db_manager.py，使用SQLite建立本地数据库，无需额外安装数据库服务。
```python
import sqlite3
def init_db():
conn = sqlite3.connect('certificates.db')
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS certs (
id INTEGER PRIMARY KEY AUTOINCREMENT,
name TEXT,
cert_id TEXT UNIQUE,
id_card TEXT,
file_path TEXT,
ocr_text TEXT
)
''')
conn.commit()
conn.close()
def save_cert(data):
conn = sqlite3.connect('certificates.db')
cursor = conn.cursor()
try:
cursor.execute('''
INSERT INTO certs (name, cert_id, id_card, file_path, ocr_text)
VALUES (?, ?, ?, ?, ?)
''', (data['name'], data['cert_id'], data['id_card'], data['file_path'], data['raw_text']))
conn.commit()
return True
except sqlite3.IntegrityError:
return False 证书编号重复
finally:
conn.close()
```
四、Web查询系统搭建
为了方便管理和查询，使用Flask搭建一个轻量级Web服务，支持上传证书图片并自动归档。
1. 编写Flask主程序
创建app.py，整合上述所有模块。确保文件上传目录存在。
```python
import os
from flask import Flask, request, jsonify, render_template_string
from preprocess import preprocess_image
from ocr_engine import extract_text_from_image, parse_cert_info
from db_manager import init_db, save_cert
app = Flask(__name__)
app.config['UPLOAD_FOLDER'] = 'uploads'
os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)
初始化数据库
init_db()
HTML_TEMPLATE = """
证书数字化系统
上传职业资格证书
最近识别记录
{% for item in history %}
- {{ item.name }} - {{ item.cert_id }} - {{ item.status }}
{% endfor %}
"""
@app.route('/')
def index():
简单展示最近几条记录，实际生产环境应从DB读取
return render_template_string(HTML_TEMPLATE, history=[])
@app.route('/upload', methods=['POST'])
def upload_file():
if 'file' not in request.files:
return jsonify({'error': '无文件'}), 400
file = request.files['file']
if file.filename == '':
return jsonify({'error': '未选择文件'}), 400
file_path = os.path.join(app.config['UPLOAD_FOLDER'], file.filename)
file.save(file_path)
1. 预处理
processed_img = preprocess_image(file_path)
2. OCR识别
raw_text = extract_text_from_image(processed_img)
3. 提取结构化数据
cert_info = parse_cert_info(raw_text)
cert_info['file_path'] = file_path
cert_info['raw_text'] = raw_text
4. 存储入库
is_saved = save_cert(cert_info)
status = "归档成功" if is_saved else "归档失败(编号重复)"
返回结果给前端（此处简化处理）
return f"""
识别结果
姓名: {cert_info['name']}
证书编号: {cert_info['cert_id']}
身份证号: {cert_info['id_card']}
状态: {status}
返回首页
"""
if __name__ == '__main__':
app.run(debug=True, port=5000)
```
五、批量处理自动化脚本
面对历史存量的大量证书图片，单张上传效率太低。编写一个批量处理脚本，直接扫描文件夹并入库。
创建batch_process.py：
```python
import os
import glob
from preprocess import preprocess_image
from ocr_engine import extract_text_from_image, parse_cert_info
from db_manager import init_db, save_cert
def batch_run(folder_path):
init_db()
支持jpg, png, bmp
files = glob.glob(os.path.join(folder_path, '.'))
for file_path in files:
ext = os.path.splitext(file_path)[1].lower()
if ext not in ['.jpg', '.jpeg', '.png', '.bmp']:
continue
print(f"正在处理: {file_path}")
try:
processed_img = preprocess_image(file_path)
raw_text = extract_text_from_image(processed_img)
cert_info = parse_cert_info(raw_text)
cert_info['file_path'] = file_path
cert_info['raw_text'] = raw_text
if save_cert(cert_info):
print(f"成功: {cert_info['name']} - {cert_info['cert_id']}")
else:
print(f"跳过: 证书编号已存在 {cert_info['cert_id']}")
except Exception as e:
print(f"处理失败 {file_path}: {str(e)}")
if __name__ == '__main__':
修改此处为你的图片存放目录
target_folder = r'C:\cert_images'
batch_run(target_folder)
```
执行步骤
- 将所有证书图片放入
C:\cert_images文件夹（或修改脚本中的路径）。
- 在命令行执行：
python batch_process.py
- 脚本会自动遍历文件，进行OCR识别、提取字段并写入
certificates.db。
六、常见报错与解决方案
在操作过程中，可能会遇到以下具体问题，请对照解决：
1. pytesseract is not installed or missing
原因：Python找不到tesseract.exe。
解决：检查ocr_engine.py中的tesseract_cmd路径是否正确，必须使用绝对路径且包含r''前缀。
2. 识别结果全是乱码
原因：未下载中文语言包或图片分辨率过低。
解决：重新运行Tesseract安装包，勾选Chinese (Simplified)。确保扫描件DPI在300以上。
3. Flask启动后无法上传文件
原因：uploads文件夹权限不足或不存在。
解决：确保项目目录下手动创建了uploads文件夹，或在代码中添加了os.makedirs逻辑。
微信咨询
电话联系
QQ客服
微信咨询一对一服务