Python将PDF按页拆分为图片，并OCR识别为文本【windows，主要使用模块/工具包括wand、pytesseract、PIL等，附下载及安装】

最新推荐文章于 2024-07-09 22:38:42 发布

白小斗

最新推荐文章于 2024-07-09 22:38:42 发布

阅读量1.3k

点赞数

分类专栏： python 文章标签：自然语言处理深度学习

本文链接：https://blog.csdn.net/yinjieer379/article/details/118549870

版权

python 专栏收录该内容

15 篇文章 1 订阅

订阅专栏

Python将PDF按页拆分为图片，并OCR识别为文本

下载所需安装包并完成安装
PFD转成jpeg图片，并识别成文本

下载所需安装包并完成安装

1、下载并安装tesseract-ocr

链接：https://pan.baidu.com/s/1FypYuviozcC4J0_1IR6hmQ
提取码：e28y
在这里插入图片描述
双击安装，默认下一步，并在这里选择简单中文：

选择安装目录，并记住安装路径，因为后续安装完成之后需要设置环境变量：

在这里插入图片描述

然后一直默认完成安装即可，完成后会在安装目录下看到文件夹：
在这里插入图片描述
设置环境变量，“我的电脑”->右键，选择“属性”–>“高级系统设置”–>“环境变量”–>“系统变量”–>找到“path”后点击编辑，然后新建，将刚刚完成的安装目录添加到“path”中:

同时新增一条“系统变量”，如下：
在这里插入图片描述

打开cmd，输入tesseract -V查看，若显示如下则表示安装成功：
在这里插入图片描述
使用tesseract a.jpg a -l chi_sim测试一下识别效果：

会生成一个名为a.txt的文件，里面保存有文本信息：

最后，为了在python中可以使用tesseract，需要安装pytesseract包来实现对Tesseract的调用(在命令行中使用tesseract，在python脚本中使用pytesseract）。使用 pip 安装 pytesseract； Pillow ，用于加载磁盘中的图像；pyocr，tesseractPython接口中的另一个：

pip install pillow
pip install pytesseract
pip install pyocr

示例：用python调用识别图片，有直接的函数：

text=pytesseract.image_to_string(PI.open(r'E:\a.jpg'),lang='chi_sim')
print(text)

在这里插入图片描述

2、下载并安装imagemagic

链接：https://pan.baidu.com/s/1monXyx3u5EH2FIeDa3waEQ
提取码：qbac
在这里插入图片描述
双击开始安装，点击下一步，注意在这里选择添加环境变量，否则要手动添加环境变量：

然后跟上面安装tesseract-ocr类似一直点击下一步完成安装即可（注意，大家根据具体情况可以选择安装目录）：

可以去环境变量中查看到安装过程中已经自动配置好了环境变量。
打开cmd，使用magick --version 查看是否安装成功：
在这里插入图片描述
如上所示，安装成功。
为了使python能够调用成功，这里需要在python中安装模块wand

pip install wand

3、下载并安装Ghostscript

imagemagic在调用的时候会使用到Ghostscript这个依赖，如果没有的话会报错。
链接：https://pan.baidu.com/s/1HqzgSczZsRjF7oCj7ENZvg
提取码：32ql
在这里插入图片描述
双击安装，选择安装路径：

完成安装后，需要手动配置环境变量：

打开cmd，使用gswin32或者gswin64查看是否安装成功，若跳出如下右边窗口则说明安装成功：

PFD转成jpeg图片，并识别成文本

以上所需要的模块完成安装后，准备工作完成。

下面是PFD转成jpeg图片，并识别成文本的代码：

import io
from wand.image import Image #需要提前手动安装imagemagic，可从百度云下载,手动安装Ghostscript
from PIL import Image as PI
import pyocr#pip install
import pyocr.builders
import pytesseract #pip install,需要提前手动安装tesseract，可从百度云下载

#重要！如果有报错tesseract环境变量的问题，说明发现两个环境变量的设置没有起作用，因此在python中可以重新设置一下
import os
#os.environ["PATH"]  #查看在PATH中有没有tesseract相关路径，没有则添加，注意改为你的相应安装路径
os.environ["PATH"] +=  os.pathsep + 'E:\Tesseract-OCR'
#'TESSDATA_PREFIX' in os.environ  #查看是否有新增TESSDATA_PREFIX的这个环境变量，没有则添加，注意改为你的相应安装路径
os.environ['TESSDATA_PREFIX']='E:\Tesseract-OCR'

#设置识别识别工具
tool = pyocr.get_available_tools()[0]
#设置使用的语言，因为我们要识别的PDF是中文的，因此这里选择chi_sim
lang = tool.get_available_languages()[0]

#定义列表用于存储图像与文本
req_image = []
final_text = []

#采用wand将一个PDF文件转成jpeg文件，并将PDF中所有的独立页面都转成了独立的二进制图像对象
image_pdf = Image(filename=r"C:\Users\wangrx67\Desktop\审计项目\上下家合同样例1\下家合同.pdf",resolution=300)
with image_pdf.convert('jpeg') as converted:
    image_jpeg=image_pdf.convert('jpeg')
    #converted.save(filename='converted.jpeg') #按页进行拆分，并将每一页保存为jpeg格式的图片

#遍历这个大对象，并把它们加入到req_image序列中去。
for img in image_jpeg.sequence:
    img_page = Image(image=img)
    req_image.append(img_page.make_blob('jpeg'))

#在图像对象req_image序列上运行OCR进行识别，按页面变成一个列表
for img in req_image:
    txt = tool.image_to_string(
        PI.open(io.BytesIO(img)),
        lang=lang,
        builder=pyocr.builders.TextBuilder()
    )
    final_text.append(txt)

#可以将按页的识别列表整合成一个字符串
out_text=''
for i in final_text:
    out_text += i
out_text=out_text.replace("\n","")  # 因为我识别的文本中有很多空格，所以我将这些特殊“/n”字符都删除
print(out_text)  #out_text即为识别出的字符串文本

最终输出如下所示：
在这里插入图片描述
当然，如果你需要将pdf拆分转存为图片，或者按页识别等等，可以对代码稍微做修改实现。