我的任务需求是这样的,有几千个对报告单扫描生成的PDF文件,要对这些PDF上有用的部分进行提取。所以,就想到了OCR文字识别。
所以我要做的是:使用Python将PDF都转为PNG,使用百度开放的Paddle OCR对PNG进行文字识别,提取需要的部分。
关于PDF转PNG,见博客Python:PDF转PNG(6行代码搞定)。
Paddle开源连接:Paddle OCR快速开始
按照步骤其实来挺简单的:
- 安装PaddlePaddle,相当于Torch这样一个框架(如果使用GPU版本的话,看你的CUDA是否满足要求,否则可以使用CPU版本);
- 安装Paddle OCR whl包,之后就可以使用了,使用命令行方式或者复制Python脚本运行并可以结果可视化,看是否对你的任务识别准确。(记得修改图像路径,以及保存路径);
- 结果是一个list,每个item包含了文本框,文字和识别置信度,我们提取有用的部分就行了。