pythonpdf识别文字软件_如何使用Python进行PDF图片识别OCR

使用场景

使用图片识别可以快速提取图片中的信息，方便高效。

Python并不能直接对PDF进行识别，所以如果是识别PDF的话，需要先将PDF转化为图片，然后再进行识别。

必备工具

Python

可以安装3.7及以上版本

tesseract-ocr

下载地址： https://github.com/UB-Mannheim/tesseract/wiki 使用最新版本即可

需要用到的库

pip install pillow

pip install opencv-python

pip install fitz

pip install PyMuPDF

pip install pytesseract

代码示例

from PIL import Image

import os

import pytesseract

import cv2 as cv

import fitz

def pdf_image(pdfPath,imgPath,zoom_x,zoom_y,rotation_angle):

# 打开PDF文件

pdf = fitz.open(pdfPath)

# 逐页读取PDF

for pg in range(0, pdf.pageCount):

page = pdf[pg]

# 设置缩放和旋转系数

trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)

pm = page.getPixmap(matrix=trans, alpha=False)

# 开始写图像

pm.writePNG(imgPath+str(pg)+".png")

#pm.writePNG(imgPath)

pdf.close()

pdf_path ='D:/123.pdf'

img_path ='D:/123.png'

pdf_image(pdf_path,img_path,5,5,0)

# 依赖opencv

img=cv.imread(img_path)

text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra')

# 不依赖opencv写法

# text=pytesseract.image_to_string(Image.open(img_path))

print(text)

总结

识别清晰的文字图片的时候准确率非常高

但是识别手写体的话效果不太好

注意事项

在安装tesseract-ocr 的时候一定要记得选择对应的语言，不然是无法正常使用的。

js