Python处理扫描的PDF文件:图像OCR处理+pytesseract安装+文字提取

背景

有一些PDF资料,比较久远,是扫描出来的,需要文字版本
如果只需要其中几个片段可以直接微信截图识别
但是如果需要全本识别,人工的方式费时费力
OCR (Optical Character Recognition,光学字符识别),可以将图像中的文本信息提取出来,转换成计算机可处理的文本数据,为后续的分析和处理提供了便利。

虚拟环境准备

需要安装的库为:

pip install pytesseract
pip install fitz
pip install opencv-python
pip install PyMuPDF
pip install tesseract
pip install pillow
pip install pyperclip
pip install playwright

pytesseract设置

其中,pytesseract的安装比较复杂,需要设置虚拟环境
如果不设置,会遇到:

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH
  1. 假设已经成功运行了pip install pytesseract
  2. 检查环境设置
    打开Python的外部库——site-packages——pytesseract——pytesseract.py
    发现文件中有一句(最开头)tesseract_cmd =‘tesseract’
    这里是没有指定路径的
    在这里插入图片描述
    在这里插入图片描述
  3. 从网上找到相应的‘Tesseract-OCR’下载安装
    进入网站
    https://github.com/tesseract-ocr/tessdoc/blob/main/Installation.md
    找到对应系统文件,例如win
    在这里插入图片描述
    亲测下载第二个即可
    在这里插入图片描述
  4. 自定义安装,不要改变路径(最好不要)注意,安装的时候要勾选所有的可安装内容,不然没有中文
    在这里插入图片描述
  5. 添加到环境变量的系统变量(PATH)
    系统搜索环境变量,打开
    在这里插入图片描述

在这里插入图片描述
7. 新建一个系统变量
增加一个TESSDATA_PREFIX变量名,变量值还是我的安装路径C:\Program Files\Tesseract-OCR\tessdata这是将语言字库文件夹添加到变量中;

在这里插入图片描述

在这里插入图片描述
7. 打开终端,输入:tesseract -v,可以看到版本信息
在这里插入图片描述
8. 在pytesseract库下的pytesseract.py文件中(刚刚打开过),找到

tesseract_cmd = 'tesseract'

修改成

tesseract_cmd =r'C:\Program 
  • 11
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值