Python中Pytesseract与EasyOCR的速度对比及优化疑问

针对你在M1 Pro上用pdf2image搭配pytesseract/EasyOCR遇到的速度问题，下面从原因到优化方案逐一说明：

一、核心原因拆解 #

1. pytesseract的性能瓶颈 #

• 图片转换冗余：pdf2image默认生成200dpi的高分辨率图片，大幅增加Tesseract的处理负担
• 串行单页处理：代码循环逐个处理页面，完全没利用M1 Pro的多核心优势
• 默认配置未优化：Tesseract默认没开启多线程，也没启用快速识别模式

2. EasyOCR的性能瓶颈 #

• 未利用M1 GPU：EasyOCR基于深度学习模型，默认用CPU推理，M1的GPU加速完全没发挥
• 图片无预处理：直接传入原图，高分辨率图片会让模型计算量暴增
• 单页串行推理：没有批量处理或并行优化，单页推理自然慢

3. M1 Pro适配问题 #

• pytesseract：Homebrew安装的Tesseract虽为ARM原生，但默认未开启多线程
• EasyOCR：PyTorch的Metal加速需手动配置，否则只能靠CPU跑深度学习模型

二、针对性优化方案 #

针对pytesseract的优化 #

1. 降低图片转换开销
   调低pdf2image的dpi参数、改用JPG格式减少体积：

   pages = convert_from_path(pdf_path, dpi=150, fmt='jpeg')
   

2. 启用Tesseract多线程
   通过配置参数开启多线程和快速识别模式：

   # 配置多线程（设为M1 Pro核心数，比如8）+ 快速识别模式
   custom_config = r'--oem 3 --psm 6 -c num_threads=8'
   f.write(pytesseract.image_to_string(pages[i], config=custom_config))
   

3. 并行处理多页
   用concurrent.futures利用多核并行处理：

   from concurrent.futures import ThreadPoolExecutor
   
   def process_page(page):
       custom_config = r'--oem 3 --psm 6 -c num_threads=8'
       return pytesseract.image_to_string(page, config=custom_config)
   
   with ThreadPoolExecutor(max_workers=8) as executor:
       results = list(executor.map(process_page, pages))
   
   with open('pytesseract_optimized.txt', 'w') as f:
       f.write(''.join(results))
   

针对EasyOCR的优化 #

1. 开启M1 GPU加速
   配置PyTorch使用Metal后端，让模型跑在GPU上：

   import torch
   # 自动检测MPS（Metal）设备
   device = 'mps' if torch.backends.mps.is_available() else 'cpu'
   reader = easyocr.Reader(['en'], device=device)
   

2. 图片预处理减载
   缩小图片尺寸、转灰度，降低模型计算量：

   from PIL import Image
   
   def preprocess_image(page):
       # 转灰度减少通道数
       img = page.convert('L')
       # 长边缩到1000px，保持比例
       max_dim = 1000
       w, h = img.size
       if max(w, h) > max_dim:
           scale = max_dim / max(w, h)
           img = img.resize((int(w*scale), int(h*scale)), Image.Resampling.LANCZOS)
       return numpy.array(img)
   
   processed_img = preprocess_image(pages[i])
   result = reader.readtext(processed_img, detail=0)
   

3. 批量推理优化
   用readtext_batched批量处理页面，比单页推理效率高很多：

   processed_pages = [preprocess_image(page) for page in pages]
   results = reader.readtext_batched(processed_pages, detail=0)
   

通用优化建议 #

• 优先提取原生文本：如果PDF是可编辑的（非扫描件），直接用PyPDF2或pdfplumber提取文本，完全不需要OCR，速度快几十倍
• 缓存中间结果：重复处理同一PDF时，把转好的图片缓存到本地，避免重复转换
• 精简语言包：只加载需要的语言（比如仅'en'），不要冗余加载多语言包

三、优化后效果参考 #

• pytesseract：每页耗时可降到0.5-1秒（取决于图片分辨率和核心数）
• EasyOCR：启用Metal后每页耗时可降到5-8秒左右

内容的提问来源于stack exchange，提问作者Christian