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

最新推荐文章于 2024-06-20 10:37:13 发布
最新推荐文章于 2024-06-20 10:37:13 发布
阅读量125 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
https://github.com/UB-Mannheim/tesseract/wiki
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
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
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 1027
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
利用pytesseract进行图片文字识别
joker_zsl的博客
02-18 2558
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
Python3 使用 PyMuPDF 库提取pdf中的字体文件
顺其自然~专栏
02-20 505
文档：https://pymupdf.readthedocs.io/en/latest/index.html。
PHP使用Tesseract OCR
u011408719的博客
11-23 882
然后，安装即可，安装的时候有个语言包，因为我需要识别中文，所以下载：chi，但并没有下载成功，可以下载看看，如果下载失败不影响正常安装。但是，如果正常的话，宝塔下面会报错的，因为这个东西的不少命令被禁用了，需要解除禁用，这个根据提示逐个解除就可以了。成功后，必须重启电脑后可以使用，否则php会报命令不存在；成功后执行前面的测试命令，应该就正常显示了；与自带的英文包放在同一个目录就可以了。1.开发环境：win10 x64。成功后，执行测试代码样例。切换到项目根目录，执行。2.下载安装开发环境。
PyMuPDF 1.24.4 中文文档（一）
最新发布
龙哥盟
06-20 322
原文：https://pymupdf.readthedocs.io/en/latest/ PyMuPDF 文档 1.24.4 来源：pymupdf.readthedocs.io/en/latest/ 关于 功能比较 原文：pymupdf.readthedocs.io/en/latest/about.html 功能矩阵 下表展示了 PyMuPDF 与其他典型解决方案的比较。 功能 PyMuPDF pikepdf PyPDF2 pdfrw pdfplumber / pd
python 读取pdf中的文本
sjxgghg的博客
12-25 1423
常常有针对pdf进行文本分析的需求，以下给出了多种读取pdf中文字的方法
Python处理 PDF神器PyMuPDF 将PDF转文字
pp814274513的专栏
03-25 452
python将PDF转文字
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】
yinjieer379的博客
07-07 1358
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1、下载并安装tesseract-ocr2、下载并安装imagemagic3、下载并安装GhostscriptPFD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 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
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 4164
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。
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...
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
Saram-图像/ PDF OCR检测系统 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的某些数据值，例如， tesseract-data-eng以及Pillow和Wand用于图像转换和加载，这些将在pip安装过程中获取。 对于在python中使用：请参考分支 安装 使用PIP安装： $ pip install saram $ saram <dirname> 别的 在本地克隆源： $ git clone https://github.com/aryaminus/saram $ cd saram $ git checkout py-module $ python main.py <dirname> 去做
【python 文字识别】利用pytesseract库进行图片文字识别-附件资源
03-02
【python 文字识别】利用pytesseract库进行图片文字识别-附件资源
超级好用神器，识别率极高~截图文字识别，错误率很低，别错过！
01-29
F4是开启截图，识别文字，出结果。可能会有错别字，但极少~
tesserocr与pytesseract模块的使用方法解析
09-18
主要介绍了tesserocr与pytesseract模块的使用方法解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
python3使用Pillow、tesseract-ocr与pytesseract模块的图片识别的方法
09-17
主要介绍了python3使用Pillow、tesseract-ocr与pytesseract模块的图片识别的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python Opencv 之 使用 teesseract 进行简单的文字识别（包括中文）
12-21
通过上述步骤，你可以实现Python环境下使用OpenCV和Tesseract进行简单的文字识别，包括中文文字。需要注意的是，识别效果受图像质量、文字布局、字体等因素影响，可能需要进行预处理优化以提高识别准确率。
python+pytesseract本地pdf识别转文字，图片识别转文字，避坑大量识别转文字时的内存泄露问题解决
csdn,码农
12-20 2173
本地进行pdf和图片识别转文本，采用python+pytesseract+pdf2image+poppler实现pdf和图片转文字。使用最新的Tesseract-OCR将大大提高识别速度平均2-3s一个图片，可以用于验证码识别，也可以自己训练识别特定形状的验证码
Python 获得pdf中的文字、图片文字方法
wjw806[旺旺]的专栏
11-06 7503
Python 获得pdf中的文字、图片文字方法
python批量实现ocr识别pdf到excel中
05-31
要实现OCR识别PDF到Excel中，可以使用Python的PyPDF2和pytesseract库。下面是一个简单的步骤： 1. 安装必要的库 ```python pip install PyPDF2 pip install pytesseract pip install pdf2image pip install Pillow ``` 2. 导入必要的库 ```python import os import pytesseract from pdf2image import convert_from_path from PIL import Image import pandas as pd ``` 3. 定义一个函数，将PDF文件转换为图像 ```python def pdf_to_image(pdf_file_path): pages = convert_from_path(pdf_file_path) return pages ``` 4. 定义一个函数，将图像进行OCR识别 ```python def image_to_text(image): text = pytesseract.image_to_string(image) return text.strip() ``` 5. 定义一个函数，将PDF文件中的所有页转换为文本 ```python def pdf_to_text(pdf_file_path): pages = pdf_to_image(pdf_file_path) text = [] for page in pages: text.append(image_to_text(page)) return text ``` 6. 将文本保存到Excel文件中 ```python def save_to_excel(pdf_file_path, excel_file_path): text = pdf_to_text(pdf_file_path) df = pd.DataFrame(text, columns=['Text']) df.to_excel(excel_file_path, index=False) ``` 7. 调用函数将PDF文件转换为Excel文件 ```python pdf_file_path = 'path/to/pdf/file.pdf' excel_file_path = 'path/to/excel/file.xlsx' save_to_excel(pdf_file_path, excel_file_path) ``` 注意：这只是一个基本的示例，实际的应用可能需要更多的处理和优化。同时，请注意版权和隐私问题，确保您有权使用和处理PDF文件。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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