Python实现 pdf 转图片 + ocr识别图片文字

想把 pdf 中的文字提取出来的思路是：
先将 pdf 的每一张都转成图片，然后使用 ocr 技术识别出图片中的文字。

pdf 转图片

核心第三方库是 pdf2image 。

具体怎么操作直接看 python 代码就好了。

"""
批量将pdf文件转换成图片jpeg格式
"""
from pdf2image import convert_from_path
import os
import shutil
from tqdm import tqdm
import json


def pdfToJpeg(dirpath, outputpath):
    for root, dirs, files in os.walk(dirpath):
        for file in tqdm(files):
            file_path = os.path.join(root, file)
            pages = convert_from_path(file_path, dpi=200)
            articleID = file[:-4]
            saveDir = outputpath + '\\' + str(articleID)

            if os.path.exists(saveDir):
                shutil.rmtree(saveDir)  # 如果存在则删除
            os.makedirs(saveDir)

            for i, page in enumerate(pages):
                page.save(saveDir + '\\' + f'out{i}.jpg')


def main():
    dirpath = r'E:\fw\ISISPDF330\currentPDFbendi'
    outPath = r'E:\fw\JPEG\bendi'
    pdfToJpeg(dirpath, outPath)


if __name__ == '__main__':
    main()

使用 ocr 识别文字

核心第三方库是 paddleocr 。

from pdftojpeg import pdfToJpeg
from paddleocr import PaddleOCR
import os


def write_to_txt(lines):
    pass


def main():
    PDFAddress = "pdf"
    JPEGAdress = "jpeg"
    pdfToJpeg(PDFAddress, JPEGAdress)       # 调用 pdf 转 图片

    ocr = PaddleOCR(use_angle_cls=True, lang="ch")

    for root, dirs, files in os.walk(JPEGAdress):
        files.sort(key=lambda x: eval(x[3:-4]))  # 排序是为了在读取JPG文件时按照指定顺序读取。

        for file in files:

            img_path = os.path.join(root, file)
            result = ocr.ocr(img_path, cls=True)
            lines = []
            for line in result:
                lines.append(line[-1][0])
            print(lines)
            print('\n')


if __name__ == '__main__':
    main()

过一段时间之后 paddlepaddle 的函数使用方法可能会变，这个时候去百度飞浆的官网查一下就好了。

---