Python OCR程序循环效率优化求助：核心代码耗时占比90%

一、核心瓶颈定位 #

你的代码中pytesseract.image_to_string()是绝对的耗时大户（占90%运行时间），这是OCR识别的核心操作，优先针对它优化；剩下的Python循环处理属于次要优化点，但也能小幅提升效率。

二、具体优化方法 #

1. 优化Tesseract识别配置 #

• 指定页面分割模式（--psm）：根据文档类型选择合适的--psm参数，比如纯文本段落用--psm 6（假设文本是单一均匀块），避免Tesseract做不必要的页面分析，减少耗时。
• 裁剪识别区域：如果只需要识别页面特定区域，先裁剪图片再传入，减少Tesseract处理的像素量。
• 关闭冗余功能：禁用拼写检查、字典匹配等非必要功能，比如添加配置-c tessedit_do_spellcheck=0；选择合适的引擎模式（--oem 3是混合引擎，--oem 1是LSTM引擎，纯速度优先可测试--oem 0）。
• 使用精简语言包：只加载需要的语言字符集，避免多余的语言数据加载开销。

2. 图片预处理优化 #

Tesseract对清晰、规范的图片处理速度更快，预处理能大幅降低识别耗时：

• 灰度化：将彩色图转为灰度图（page_data.convert('L')），减少Tesseract处理的颜色通道。
• 二值化/增强对比度：用ImageOps.autocontrast()或手动调整阈值，让文本和背景区分更明显，减少噪声干扰。
• 分辨率调整：如果图片分辨率过低，适当放大后再识别（比如放大1.5-2倍），反而能降低Tesseract的识别难度，提升速度和准确率。

3. 并行处理多页面 #

每页OCR识别是独立任务，可利用多核CPU并行处理：

• 使用ProcessPoolExecutor（适合CPU密集型的OCR任务）或ThreadPoolExecutor，同时处理多个页面，总耗时能接近单页耗时除以核心数。

4. 优化Python循环代码 #

• 移除无用编码解码：pytesseract.image_to_string()默认返回字符串，不需要先encode('utf-8')再decode('utf-8')，直接赋值即可。
• 替换手动计数器：用enumerate遍历tokens，替代手动维护Counter变量，代码更简洁且高效。
• 批量添加结果：用列表推导式生成单页结果，再用extend批量添加到总列表，比循环append更快。

三、优化后的代码示例 #

from concurrent.futures import ProcessPoolExecutor
import pytesseract
from PIL import Image, ImageOps

def process_single_page(page_info):
    page_number, page_data = page_info
    # 图片预处理：灰度化+对比度增强
    processed_img = page_data.convert('L')
    processed_img = ImageOps.autocontrast(processed_img)
    
    # Tesseract优化配置：指定psm模式，关闭拼写检查
    tesseract_config = r'--oem 3 --psm 6 -c tessedit_do_spellcheck=0'
    text = pytesseract.image_to_string(processed_img, lang='eng', config=tesseract_config)
    
    # 生成单页结果，用列表推导式提升效率
    tokens = text.split()
    return [[page_number + 1, token, idx] for idx, token in enumerate(tokens)]

# 初始化结果列表，并行处理所有页面
ResultpageNumber = []
with ProcessPoolExecutor() as executor:
    # 提交所有页面任务，并行执行
    page_results = executor.map(process_single_page, enumerate(doc))
    # 合并所有结果
    for res in page_results:
        ResultpageNumber.extend(res)

内容的提问来源于stack exchange，提问作者Dean James