使用paddleOCR批量识别pdf

PaddleOCR是一个基于PaddlePaddle深度学习框架的OCR（Optical Character Recognition，光学字符识别）系统，可以在图像、文本、表格等多种场景下进行文字识别，具有高速、高精度、高可定制性等特点。在应用中，可以使用PaddleOCR进行pdf文件的批量识别。

注意，本文章所述方法仅适用于单栏文本，无表格等复杂场景的情况。

以下是使用PaddleOCR批量识别pdf的步骤：

1. 安装PaddleOCR
   首先需要安装PaddleOCR，可以参考官方文档进行安装。
   按照文档来非常的简单。无需害怕。https://github.com/PaddlePaddle/PaddleOCR

2. 准备pdf文件
   将需要识别的pdf文件准备好，可以使用一个扫描版进行测试。

3. 使用PaddleOCR进行识别
   paddleocr识别pdf的过程是先将pdf变为图片，再识别图片，最终再拼接出答案。
   所以我们在此将过程分为两个函数。

如下：

import datetime
import os
import fitz  # fitz就是pip install PyMuPDF

def pdf2png(pdfPath, baseImagePath):
    imagePath=os.path.join(baseImagePath,os.path.basename(pdfPath).split('.')[0])
    startTime_pdf2img = datetime.datetime.now()  # 开始时间
    print("imagePath=" + imagePath)
    if not os.path.exists(imagePath):
        os.makedirs(imagePath)
    pdfDoc = fitz.open(pdfPath)
    totalPage=pdfDoc.pageCount
    for pg in range(totalPage):
        page = pdfDoc[pg]
        rotate = int(0)
        zoom_x = 2
        zoom_y = 2
        mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
        pix = page.get_pixmap(matrix=mat, alpha=False)
        print(f'正在保存{pdfPath}的第{pg+1}页，共{totalPage}页')
        pix.save(imagePath + '/' + f'images_{pg+1}.png')
    endTime_pdf2img = datetime.datetime.now()
    print(f'{pdfDoc}-pdf2img-花费时间={(endTime_pdf2img - startTime_pdf2img).seconds}秒')

if __name__ == "__main__":
    pdfPath = r'./demo-scan.pdf'
    baseImagePath = './imgs'
    pdf2png(pdfPath, baseImagePath)

import os
import cv2
from paddleocr import PPStructure,save_structure_res
from paddleocr.ppstructure.recovery.recovery_to_doc import sorted_layout_boxes, convert_info_docx
from copy import deepcopy
# 中文测试图
table_engine = PPStructure(recovery=True,lang='ch')

image_path = './imgs/demo-scan'
save_folder = './txt'
def img2docx(img_path):
    text=[]
    imgs=os.listdir(img_path)
    for img_name in imgs:
        print(os.path.join(img_path,img_name))
        img = cv2.imread(os.path.join(img_path,img_name))
        result = table_engine(img)

        save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])

        h, w, _ = img.shape
        res = sorted_layout_boxes(result, w)
        convert_info_docx(img, res, save_folder, os.path.basename(img_path).split('.')[0])

        for line in res:
            line.pop('img')
            print(line)
            for pra in line['res']:
                text.append(pra['text'])
            text.append('\n')
        with open('txt/res.txt', 'w', encoding='utf-8') as f:
            f.write('\n'.join(text))
img2docx(image_path)

以上代码将会读取指定目录下的pdf文件，并将其转换为图像列表，然后使用PaddleOCR进行识别，最后将识别结果保存在指定目录下的文本文件中。

需要注意的是，使用PaddleOCR进行pdf识别时，由于pdf文件通常包含多页，需要将每一页的内容分别识别，并将其合并成完整的文本内容。

另外，由于PaddleOCR的识别结果可能存在误识别的情况，需要对识别结果进行校验和修正。

更多宝藏

🍇🍉🍊🍏🍋🍅🥝🥥🫒🫕🥗
视频推送看这里🤤：
https://space.bilibili.com/1909782963
项目仓库看这里🤗：
https://github.com/w-x-x-w
https://gitee.com/w-_-x
公众号名称😮：编程启航
博客文章看这里🤭：
https://blog.csdn.net/weixin_62650212