下面将详细讲解Python如何实现识别率百分百的OCR的完整攻略：

1. 确认需求和选择技术方案

首先需要明确需求，确定要识别的语言、文字类型、图片格式等。然后根据需求选择OCR技术方案，包括开源OCR库、云端OCR服务以及自研OCR模型等。我们考虑选择开源OCR库Tesseract 4作为技术方案。

2. 数据预处理

OCR技术对输入的图片质量要求较高，因此需要进行一些数据预处理。主要包括图片二值化、去噪、图像增强等步骤。可以使用OpenCV等图像处理库来实现。

3. OCR识别

使用Tesseract 4库进行OCR识别，在此之前需要安装Tesseract 4库，并将其集成到Python中。在实际使用中，可以通过对识别文本进行后处理，比如去除空格、标点符号等来提高识别率。

下面是一个简单的示例：

import cv2
import pytesseract

# 读入待处理的图片
img = cv2.imread('image.png')
# 图片二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
threshold = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 31, 2)
# 执行OCR识别
text = pytesseract.image_to_string(threshold, lang='chi_sim')
# 后处理文本，去除空格和标点符号
processed_text = ''.join([c for c in text if c not in ' \n,.;!?'])
print(processed_text)

4. 模型训练和优化

如果使用开源OCR库的识别效果不能满足需求，可以尝试从图片预处理和模型训练两个方面进行优化。比如通过增加训练数据、优化模型结构、调整参数等方式来提高OCR识别率。

下面是一个基于深度学习的OCR模型训练示例：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dropout, Dense, Flatten

# 定义模型结构
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Dropout(0.25),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(10, activation='softmax')
])

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 加载数据集，训练模型
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train / 255.0
x_test = x_test / 255.0
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))

这是一个基于MNIST手写数字识别数据集的简单模型，可以通过增加网络深度、使用更大的数据集等方式来进一步提高识别准确率。

综上所述，Python实现OCR识别并达到百分百识别率的关键在于对OCR技术方案的选择、数据预处理、OCR识别以及模型训练和优化等方面的综合考量和实践。