深度学习系列59：文字识别ocr

1. 简单文本：tesseract

使用google加的tesseract，效果不错。
首先安装tesseract，在mac直接brew install即可。
python调用代码：

import pytesseract
from PIL import Image
img = Image.open('1.png')
pytesseract.image_to_string(img, lang='chi_sim+eng')

2. 结构化文本：paddleocr

使用百度家的paddleocr可以达成如下效果：

安装方法：pip install “paddleocr>=2.2”，调用代码。
其中画图的部分如果要用的话，需要下载字体库：!git clone https://gh.api.99988866.xyz/https://github.com/PaddlePaddle/PaddleOCR；不需要画图的话，注释掉即可。

import os
import cv2
from paddleocr import PPStructure, draw_structure_result, save_structure_res
from PIL import Image


def Structure_analysis(img_path):
    table_engine = PPStructure(show_log=True)
    save_folder = './output/table'
    img = cv2.imread(img_path)
    result = table_engine(img)1
    save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])

    for line in result:
        line.pop('img')
        print(line)

    font_path = '../PaddleOCR/doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
    image = Image.open(img_path).convert('RGB')
    im_show = draw_structure_result(image, result, font_path=font_path)
    im_show = Image.fromarray(im_show)
    im_show.save('result.jpg')
    pass

Structure_analysis('1.png')

3. 加强结构化文本：openparse

默认使用pypdf 和 pdfminer.six来解析pdf文档，将内容划分成node，再根据一些启发式规则如将标题与接下来的内容合并、将项目列表内容合并等来对pdf内容进行分块。
安装：

pip install openparse
#如果要使用识别表格的算法
pip install "openparse[ml]"
#安装openparse[ml]后，使用如下命令来下载模型，大概会占用1.5G的空间
openparse-download
# 测试文档
wget https://sergey-filimonov.nyc3.digitaloceanspaces.com/open-parse/sample-docs/naic-numerical-list-of-companies-page-94.pdf -O companies-list.pdf
wget https://sergey-filimonov.nyc3.digitaloceanspaces.com/open-parse/sample-docs/mobile-home-manual.pdf -O mobile-home-manual.pdf

解析和展示的代码如下：

import openparse
from openparse import DocumentParser
parser = DocumentParser()
parsed_content = parser.parse("mobile-home-manual.pdf")
for node in parsed_content.nodes:
    display(node)
    print("*"*20)

原文档和解析结果如下：

文本是以markdown形式保存的：

open_parse支持设置table_args来进行表格提取，其主要有如下三个参数。

parsing_algorithm， 用来解析表格的库，目前支持值为：pymupdf、unitable、table-transformers
min_table_confidence，默认值为0.75，一个表格被提取的置信度分数。
table_output_format，表格输出格式，unitable支持html、pymupdf和table-transformers支持html和markdown

pdf_path = "companies-list.pdf"
parser = DocumentParser(
    table_args={
        "parsing_algorithm": "unitable",
        "min_table_confidence": 0.8}
)
parsed_content = parser.parse(pdf_path)
# 可通过node.variable来判断是否提取到表格，存在表格的话，里面会有"table" key存在
table_nodes = [node for node in parsed_nodes.nodes if "table" in node.variant]
# 也可以将提取的表格在原PDF中展示出来
doc = openparse.Pdf(file=pdf_path)
doc.display_with_bboxes(table_nodes)