1
第一次玩转文字识别功能,是在2019年夏天。
当时工作不是很忙,实在无聊,就开始学习Python。
于是,无意中利用【Python+百度AI】实现了OCR文字识别功能,顿时感觉到人工智能的强大。
其实用一些APP也能进行文字识别,不过普遍都会收费,即使不收费,也会限制使用次数或功能。
QQ也能进行文字识别,而且很方便,但是如果识别很多图片就不行了,只能一个一个的来,速度太慢。
这时就体现出利用Python进行OCR文字识别的强大之处了,我们可以通过自己写代码实现个性需求:批量进行文字识别,导出为特定格式等等。
2
后来,也就是今年,我发现有时不仅仅需要对图片进行文字识别,PDF也会成为工作中的识别对象:我们往往需要获取PDF中的文字及表格。
这时候怎么识别呢?
刚开始我是用Smallpdf进行格式转换,即把PDF转换为word或者excel,这样就可以获取到PDF里的文字和表格,并不需要进行OCR文字识别。
再后来,我发现Adobe Acrobat也能实现PDF格式转换功能。
但是我发现,Smallpdf和Adobe Acrobat只能对那些标准且规范格式的PDF进行格式转换,比如这些PDF起初是由word或者excel转换为PDF的,所以可以毫不费力地把这些PDF打回原形。
如果需要批量识别PDF的话,我们依然可以通过写Python程序来实现,这时候需要用到Python的pdfplumber模块,这个模块可以轻松识别PDF中的文字和表格,但是也仅针对那些标准且规范格式的PDF。
3
所以,我又在想,对那些看起来不是很规整的PDF文件该怎么进行文字识别呢?
这些PDF可能起初不是由word或者excel转换过来的,而是一些机打文档、甚至手写文档的扫描件。
这时Smallpdf和Adobe Acrobat转换率极低,Python+pdfplumber模块也无能为力。
我的做法是:先把PDF转换为一个个图片,再用Python进行OCR文字识别。
这样做的优点是:文字识别率真的很高!
4
其实还有一个问题,就是特殊需求下的文字识别。
比如,客户提供了一堆纸质报表,我需要弄成电子版,这时就比较棘手。
总不能只识别出一堆数字吧?我需要输出的是Excel表格格式。
不过我找到了最佳方法:先把报表清晰整齐地拍下来,然后通过百度AI智能接口进行特殊需求下的表格文字识别,会以Excel表格的形式还原出最佳效果。
对,没错,兜兜转转,又回到了百度AI,里面有很多更精准的文字识别接口可供使用。
比如,我想要识别增值税发票的信息,或者银行回单的信息,就可以通过不同的AI接口进行特殊需求下的精准识别。
这种OCR文字识别是基于通用文字识别,针对特殊单据,在更小的范围内对图片上的信息进行精准识别,所以识别率很高,前提是图片必须清晰。
如果你喜欢本文
请点击文章底部右下角的「在看」
同时「转发+关注」
可以让更多的人看到……
扫码关注公众号90后CPA|爱审计|爱编程|爱健身