Pix2Text: 替代 Mathpix 的免费 Python 开源工具

Pix2Text (https://github.com/breezedeus/pix2text) 期望成为 Mathpix 的免费开源 Python 替代工具，完成与 Mathpix 类似的功能。当前 Pix2Text 可识别截屏图片中的数学公式、英文、或者中文文字。它的流程如下：

Pix2Text 首先利用图片分类模型来判断图片类型，然后基于不同的图片类型，把图片交由不同的识别系统进行文字识别：

如果图片类型为 formula ，表示图片为数学公式，此时调用 LaTeX-OCR 识别图片中的数学公式，返回其 Latex 表示；
如果图片类型为 english，表示图片中包含的是英文文字，此时使用 CnOCR (https://github.com/breezedeus/cnocr) 中的英文模型识别其中的英文文字；英文模型对于纯英文的文字截图，识别效果比通用模型好；
如果图片类型为 general，表示图片中包含的是常见文字，此时使用 CnOCR 中的通用模型识别其中的中或英文文字。

后续图片类型会依据应用需要做进一步的细分。

欢迎扫码加小助手为好友，备注 p2t，小助手会定期统一邀请大家入群：

作者也维护知识星球 P2T/CnOCR/CnSTD 私享群 (https://wx.zsxq.com/dweb2/index/group/28858522821151)，这里面的提问会较快得到作者的回复，欢迎加入。知识星球私享群也会陆续发布一些 P2T/CnOCR/CnSTD 相关的私有资料，包括更详细的训练教程，未公开的模型，不同应用场景的调用代码，使用过程中遇到的难题解答等。本群也会发布 OCR/STD 相关的最新研究资料。

使用说明

调用很简单，以下是示例：

from pix2text import Pix2Text

img_fp = './docs/examples/formula.jpg'
p2t = Pix2Text()
out_text = p2t(img_fp)  # 也可以使用 `p2t.recognize(img_fp)` 获得相同的结果
print(out_text)

返回结果 out_text 是个 dict，其中 key image_type 表示图片分类类别，而 key text 表示识别的结果。

以下是一些示例图片的识别结果：

模型下载

安装好 Pix2Text 后，首次使用时系统会自动下载模型文件，并存于 ~/.pix2text 目录（Windows 下默认路径为 C:\Users\\AppData\Roaming\pix2text）。

Note如果已成功运行上面的示例，说明模型已完成自动下载，可忽略本节后续内容。

对于分类模型，系统会自动下载模型 zip 文件并对其解压，然后把解压后的模型相关目录放于 ~/.pix2text 目录中。如果系统无法自动成功下载 zip 文件，则需要手动从 cnstd-cnocr-models/pix2text 下载此 zip 文件并把它放于 ~/.pix2text 目录。如果下载太慢，也可以从百度云盘下载，提取码为 p2t0。

对于 LaTeX-OCR ，系统同样会自动下载模型文件并把它们存放于 ~/.pix2text/formula 目录中。如果系统无法自动成功下载这些模型文件，则需从百度云盘下载文件 weights.pth 和 image_resizer.pth，并把它们存放于 ~/.pix2text/formula 目录中；提取码为 p2t0。

安装

嗯，顺利的话一行命令即可。

pip install pix2text

安装速度慢的话，可以指定国内的安装源，如使用豆瓣源：

pip install pix2text -i https://pypi.doubanio.com/simple

如果是初次使用 OpenCV，那估计安装都不会很顺利，bless。

Pix2Text 主要依赖 CnOCR>=2.2.2 ，以及 LaTeX-OCR 。如果安装过程遇到问题，也可参考它们的安装说明文档。

Warning如果电脑中从未安装过 PyTorch，OpenCV python 包，初次安装可能会遇到不少问题，但一般都是常见问题，可以自行百度 / Google 解决。

接口说明

类初始化

主类为 Pix2Text ，其初始化函数如下：

class Pix2Text(


    
object):
    def __init__(
        self,
        *,
        clf_config: Dict[str, Any] = None,
        general_config: Dict[str, Any] = None,
        english_config: Dict[str, Any] = None,
        formula_config: Dict[str, Any] = None,
        thresholds: Dict[str, Any] = None,
        device: str = 'cpu',  # ['cpu', 'cuda', 'gpu']
        **kwargs,
    ):

其中的各参数说明如下：

clf_config (dict): 分类模型对应的配置信息；
general_config (dict): 通用模型对应的配置信息；
english_config (dict): 英文模型对应的配置信息；
formula_config (dict): 公式识别模型对应的配置信息；
thresholds (dict): 识别阈值对应的配置信息；
device (str): 使用什么资源进行计算，支持 ['cpu', 'cuda', 'gpu']；默认为 cpu
**kwargs (): 预留的其他参数；目前未被使用。

识别类函数

通过调用类 Pix2Text 的类函数 .recognize() 完成对指定图片的文字或 Latex 识别。类函数 .recognize() 说明如下：

    def recognize(self, img: Union[str, Path, Image.Image]) -> Dict[str, Any]:
        """
        Args:
            img (str or Image.Image): an image path, or `Image.Image` loaded by `Image.open()`
        Returns: a dict, with keys:
           `image_type`: 图像类别；
           `text`: 识别出的文字或Latex公式
        """

其中的输入参数说明如下：

img (str or Image.Image)：待识别图片的路径，或者利用 Image.open() 已读入的图片 Image 。

返回结果说明如下：

image_type：识别出的图像类别；取值为 formula、english 或者 general ；
text：识别出的文字或 Latex 公式。

如前面给出的一个示例结果：

{"image_type": "general",
 "text": "618\n开门红提前购\n很贵\n买贵返差\n终于降价了\n"
          "100%桑蚕丝\n要买趁早\n今日下单188元\n仅限一天"}

Pix2Text 类也实现了 __call__() 函数，其功能与 .recognize() 函数完全相同。所以才会有以下的调用方式：

from pix2text import Pix2Text

img_fp = './docs/examples/formula.jpg'
p2t = Pix2Text()
out_text = p2t(img_fp)  # 也可以使用 `p2t.recognize(img_fp)` 获得相同的结果
print(out_text)

HTTP 服务

Pix2Text 加入了基于 FastAPI 的 HTTP 服务。开启服务需要安装几个额外的包，可以使用以下命令安装：

pip install pix2text[serve]

安装完成后，可以通过以下命令启动 HTTP 服务（-p 后面的数字是端口，可以根据需要自行调整）：

p2t serve -p 8503

服务开启后，可以使用以下方式调用服务。

命令行

比如待识别文件为 docs/examples/english.jpg，如下使用 curl 调用服务：

> curl -F image=@docs/examples/english.jpg http://0.0.0.0:8503/pix2text

Python

使用如下方式调用服务：

import requests

image_fp = 'docs/examples/english.jpg'
r = requests.post(
    'http://0.0.0.0:8503/pix2text', files={'image': (image_fp, open(image_fp, 'rb'), 'image/png')},
)
out = r.json()['results']
print(out)

其他语言

请参照 curl 的调用方式自行实现。

脚本运行

脚本 scripts/screenshot_daemon.py 实现了自动对截屏图片调用 Pixe2Text 进行公式或者文字识别。这个功能是如何实现的呢？

以下是具体的运行流程（请先安装好 Pix2Text）：

找一个喜欢的截屏软件，这个软件只要支持把截屏图片存储在指定文件夹即可。比如 Mac 下免费的 Xnip 就很好用。
除了安装 Pix2Text 外，还需要额外安装一个 Python 包 pyperclip，利用它把识别结果复制进系统的剪切板：
下载脚本文件 https://github.com/breezedeus/pix2text/blob/main/scripts/screenshot_daemon.py 到本地，编辑此文件 "SCREENSHOT_DIR" 所在行（第 17 行），把路径改为你的截屏图片所存储的目录。
运行此脚本：

 $ python scripts/screenshot_daemon.py

好了，现在就用你的截屏软件试试效果吧。截屏后的识别结果会写入当前文件夹的 out-text.html 文件，只要在浏览器中打开此文件即可看到效果。

Note
感谢我的同事帮忙完成了此页面的大部分工作。这个页面还有很大改进空间，欢迎对前端熟悉的朋友帮忙提 PR 优化此页面。

更详细使用介绍可参考视频：

官方代码库：https://github.com/breezedeus/pix2text 。

更多信息：