如何使用Python从HTML中获取数据并提取图片对应的文本内容

实现思路分为两部分，可按需组合使用 #

一、图片文本提取（OCR） #

• 普通需求直接用pytesseract：依赖Tesseract OCR引擎，提前安装好引擎本体后，安装pytesseract和Pillow库即可调用，识别前可对图片做二值化、去噪、裁剪等预处理提升准确率。
  示例代码：

  from PIL import Image
  import pytesseract
  # 可选：指定Tesseract安装路径（Windows环境需要）
  # pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
  text = pytesseract.image_to_string(Image.open('你的图片路径.png'), lang='chi_sim+eng')
  print(text)
  

• 中文识别准确率要求高选PaddleOCR：对中文支持更好，无需单独安装OCR引擎，pip安装后即可直接调用，自带预处理逻辑，识别精度更高。
  示例代码：

  from paddleocr import PaddleOCR
  ocr = PaddleOCR(use_angle_cls=True, lang='ch')
  result = ocr.ocr('你的图片路径.png', cls=True)
  # 提取所有识别到的文本
  text = '\n'.join([line[1][0] for page in result for line in page])
  print(text)
  

二、HTML页面数据提取 #

• 静态页面（内容直接写在HTML源码里）：用requests库请求页面源码，搭配BeautifulSoup或者lxml库解析，按照元素的标签、类名、id等属性定位目标内容提取即可。如果是表格内容，直接用pandas.read_html()可以一键转成DataFrame格式。
  示例代码：

  import requests
  from bs4 import BeautifulSoup
  resp = requests.get('你的目标页面URL')
  soup = BeautifulSoup(resp.text, 'lxml')
  # 示例：提取所有p标签的文本
  content = [p.get_text(strip=True) for p in soup.find_all('p')]
  

• 动态渲染页面（内容由JS加载，源码里看不到）：用Selenium或者Playwright模拟浏览器运行，等页面内容完全加载后，直接调用工具自带的元素定位方法提取内容，或者拿到渲染后的完整源码再用上面的方法解析。

组合流程（先提取HTML里的图片再识别文本） #

你如果需要先从HTML里抓图片再识别，就把上面两个流程串起来：先请求HTML解析出所有img标签的资源地址，下载图片到本地/读入内存，再调用OCR接口提取文本即可。

内容的提问来源于stack exchange，提问作者guidetuanhp