Tesseract-OCR如何识别pdf文件中的文本内容？

 需求：最近公司产品提出一个需求，要爬取某网站的数据列表中，进入某条数据的pdf文件中，提取出对应的关键字出来。

    解决：

1. 将pdf文件中每页图片保存下来。

2. pdf文件中的内容是个图片，不能直接转换成文字。

3. 根据产品需求，指定提取相关内容，并保存。

    总结：通过调研，可以使用python的pytesseract库来完成相关pdf的文字提取。pdf图片保存和文字内容匹配暂不介绍，主要介绍下pytesseract的使用。

01 python-tesseract介绍

Python-tesseract 是 Python 的光学字符识别 (OCR) 工具。也就是说，它将识别并“读取”嵌入在图像中的文本。

Python-tesseract 是Google 的 Tesseract-OCR Engine的包装器。它也可用作 tesseract 的独立调用脚本，因为它可以读取 Pillow 和 Leptonica 成像库支持的所有图像类型，包括 jpeg、png、gif、bmp、tiff 等。此外，如果用作脚本，Python-tesseract 将打印识别的文本而不是将其写入文件。

02 结果展示

原pdf图片

   

 识别后

对于识别的结果，是能够满足后续的关键字提取的需求的。

03 tesseract安装

下载地址：https://digi.bib.uni-mannheim.de/tesseract/

安装过程：

安装完成之后，查看是否安装成功：

查看版本

tesseract --version

pytesseract安装

pip install pytesseract

修改pytesseract.py文件

tesseract_cmd = 'E:/tools/tesseract/tesseract.exe'

04 示例代码

图片识别实例

import pytesseract
from PIL import Image


image = Image.open(r'E:\xbc\python_project\example\6.png')
result = pytesseract.image_to_string(image, lang="chi_sim")
result = result.replace("\n", '')
print(result)

        在遇到图像中的文字需要识别时，使用ptytesseract还是比较方便的，尽管有很多平台提供这些功能，但是免费的工具它不香吗？

感兴趣的可以关注作者微信公众号：程序员9527。