使用PyMuPDF、Pillow和pytesseract实现PDF文件中文OCR识别

最新推荐文章于 2024-10-28 11:31:53 发布
最新推荐文章于 2024-10-28 11:31:53 发布
阅读量342 收藏
点赞数
分类专栏： Dash 文章标签： pillow pdf ocr
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yuetaope/article/details/139642133
版权

文章目录

一、Win11下安装Tesseract和中文语言包（tessdata）

1.1 安装Tesseract OCR引擎

1.1.1 下载Tesseract OCR安装包

访问Tesseract的GitHub发布页面
https://github.com/tesseract-ocr/tesseract
在这里插入图片描述
https://tesseract-ocr.github.io/tessdoc/Installation.html
在这里插入图片描述

了解本专栏 订阅专栏 解锁全文 超级会员免费看
岳涛@心馨电脑
关注
专栏目录
订阅专栏
pytesseract和中文字体识别包.zip
11-27
主要是为了方便大家快速利用pytesseract识别图片文字，减少大家找资源，安装调试环境的时间
使用Tesseract-OCR对PDF等图片文件进行文字识别
清风道的专栏
03-06 2221
在mac机器上java平台使用Tesseract-OCR对PDF等图片文件进行文字识别
利用pytesseract进行图片文字识别
joker_zsl的博客
02-18 2674
pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。 安装 pip install pytesseract 使用 这里只简单介绍识别图中文字并输出字符串，有兴趣的同学可以自行探索更多的方法。 from PIL import Image from pytesseract import * img = Image.open('test.png
提升PDF处理新高度 —— 探秘福昕高级PDF编辑器OCR语言包
最新发布
gitblog_09794的博客
10-28 298
提升PDF处理新高度 —— 探秘福昕高级PDF编辑器OCR语言包 【下载地址】福昕高级PDF编辑器OCR语言包 本仓库提供的是【ocr_zh-cn.rar】文件，专为福昕高级PDF编辑器设计。这是一款重要的OCR语言增强包，以fzip格式封装。通过安装此语言包，用户能够全面激活并利用福昕高级PDF编辑器的光学字符识别（O...
Tesseract-OCR对图像和PDF进行光学文字识别
程序员猴小萌的博客
01-13 2031
本文主要介绍Tesseract-OCR光学文字识别应用程序的下载安装、运行参数，以及gImageReader图形界面，并Ubuntu和Windows环境下演示了使用图形界面对PDF和图像文件进行文字识别的效果
Python 获得pdf中的文字、图片文字方法
wjw806[旺旺]的专栏
11-06 7706
Python 获得pdf中的文字、图片文字方法
Python处理扫描的PDF文件：图像OCR处理+pytesseract安装+文字提取
Kiek17的博客
05-31 1805
利用OCR （Optical Character Recognition，光学字符识别）技术，把扫描的pdf变成文字版本
pytesseract中文OCR安装详细步骤(windows环境)
spatial_coder的博客
04-03 2320
下载tesseract 安装依赖包pillow pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pillow 安装Tesseract-OCR 直接下载地址： https://digi.bib.uni-mannheim.de/tesseract/ 下载v5-2019版本； 安装exe时，选择安装中文简体和繁体的语言包，自定义安装路径； 配置Tesseract-OCR 环境变量 环境变量-系统路径中添加Tesseract在本机上exe对
基于Python实现对PDF文件的OCR识别
09-21
**基于Python实现对PDF文件的OCR识别** 在Python中，OCR（Optical Character Recognition，光学字符识别）是一项关键技术，可以将图像中的文字转换为可编辑的文本。Google赞助的`tesseract`是一个流行的OCR引擎，它...
python3使用Pillow、tesseract-ocr与pytesseract模块的图片识别的方法
09-17
本文介绍了如何使用Python3结合Pillow、Tesseract-OCR和Pytesseract实现图片的文字识别。通过这些工具，开发者可以轻松地构建出高效准确的OCR系统。当然，根据实际应用场景的不同，还需要对识别结果进行进一步的处理...
python opencv pytesseract 验证码识别的实现
09-16
本文将详细介绍如何使用Python结合OpenCV和Pytesseract库实现验证码的自动识别。验证码是一种用于防止计算机程序自动填写表单的安全措施，通常由数字和字母组成，并且可能包含干扰线条或噪点。为了提高自动识别的...
saram:使用pytesseract从图像或pdf扩展名获取txt格式的OCR，以支持目录中的多个文件，而pytesseract会自动旋转错误的方向。 PYPI
05-05
使用pytesseract从图像或pdf扩展名获取txt格式的OCR，以支持目录中的多个文件，并支持在方向错误的情况下进行旋转。 目前处于测试状态 跟随： 注意：请确保您拥有像tesseract类的OCR工具以及用于比较OCR的某些数据...
Tesseract-OCR如何识别pdf文件中的文本内容？
mid_python的博客
11-15 3511
需求：最近公司产品提出一个需求，要爬取某网站的数据列表中，进入某条数据的pdf文件中，提取出对应的关键字出来。 解决： 将pdf文件中每页图片保存下来。 pdf文件中的内容是个图片，不能直接转换成文字。 根据产品需求，指定提取相关内容，并保存。 总结：通过调研，可以使用python的pytesseract库来完成相关pdf的文字提取。pdf图片保存和文字内容匹配暂不介绍，主要介绍下pytesseract的使用。 01 python-tessera...
Tesseract最新中文语言包chi_sim.traineddata(4.0.0)三种获取方式
热门推荐
一火的专栏
10-22 2万+
Tesseract最新中文语言包chi_sim.traineddata(4.0.0)三种获取方式
Mac系列之：Mac安装tesseract和python使用pytesseract、pillow包提取图片中中文
zhengzaifeidelushang的博客
09-01 4276
Mac系列之：Mac安装tesseract和python使用pytesseract、pillow包提取图片中中文
python提取图片型pdf中的文字（提取pdf扫描件文字）
爱吃雪糕的小布丁的博客
12-17 6219
文字型pdf提取，python的库一大堆，但是图片型pdf和pdf扫描件提取，还是有些难度的，我们需要用到OCR（光学字符识别）功能。需要注意的是，Tesseract OCR对于一些复杂或低质量的图像可能识别效果不佳。
win11系统 Tesserocr 的安装
Zzc_IT_log的博客
03-21 582
安装顺序tesseract配置 tesseract 环境变量tesserocr。
python实现OCR：pytesseract和pyddleocr（附代码）
zly_Always_be的博客
04-08 2222
python实现OCR：pytesseract和pyddleocr（附代码）图像文本提取
如何在Python中使用tesseract和相关库实现PDF文件的OCR识别并提取文本？请提供详细的步骤和代码示例。
10-28
参考资源链接：[Python与tesseract实现PDF OCR文本提取](https://wenku.csdn.net/doc/6412b521be7fbd1778d420ba?utm_source=wenku_answer2doc_content) 要使用Python和tesseract实现PDF文件的OCR识别，首先需要确保安装了tesseract、PyOCR、Wand和PIL库。接下来，通过一系列步骤，可以实现PDF到文本的转换。这里是一个详细的实现流程： 1. **安装必要的库和工具**： - 在Ubuntu系统上安装tesseract-ocr： ``` sudo apt-get install tesseract-ocr ``` - 使用pip安装PyOCR、Wand和Pillow库： ``` pip install pyocr pip install Wand pip install Pillow ``` 2. **编写Python脚本进行OCR操作**： - 导入必要的模块： ```python import os import sys from wand.image import Image from pyocr工具 import get_available_tools from PIL import Image ``` - 获取OCR工具并设置识别语言： ```python tools = get_available_tools() tool = tools[0] # 假设我们只使用第一个可用的工具 tool.set_tesseract_cmd('/usr/bin/tesseract') # 根据实际tesseract路径设置 lang = 'eng' ``` 3. **PDF转换为图像并进行OCR识别**： - 将PDF文件的每一页转换为图像，并进行OCR识别： ```python pdf_path = 'path/to/pdf/file.pdf' images = [] for i, page in enumerate(Image(filename=pdf_path)): img = page.make_blob(format='jpeg') images.append(img) image = tool.image_to_string(Image(blob=img), lang=lang) print(image) # 打印识别的文本 ``` - 这里`make_blob`方法用于将Wand图像转换为字节流，然后传递给PyOCR的`image_to_string`方法进行OCR识别。 4. **将识别的文本存入数据库**（可选）： - 根据实际使用的数据库（如SQLite、MySQL等），将识别的文本存储到相应的数据表中。这通常涉及到建立数据库连接、创建表格、插入数据等步骤。 在整个过程中，可能需要对PDF文件进行预处理，以提高OCR的准确率。预处理步骤可能包括调整图像分辨率、对比度以及去噪等。此外，识别的准确性也受到PDF内容的复杂性影响，可能需要根据实际情况进行调整和优化。 若希望进一步深入了解OCR技术及其在Python中的应用，推荐阅读《Python与tesseract实现PDF OCR文本提取》。这份资料详细介绍了如何将PDF转换为图像、OCR技术的实现以及如何将识别结果存入数据库等，适合希望系统学习和实践PDF文本提取技术的读者。 参考资源链接：[Python与tesseract实现PDF OCR文本提取](https://wenku.csdn.net/doc/6412b521be7fbd1778d420ba?utm_source=wenku_answer2doc_content)
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

岳涛@心馨电脑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值