使用NLTK,Natural Language Toolkit(Python自然语言工具包)对“PyMuPDF、Pillow和pytesseract实现PDF文件中文OCR识别”的改进

一、“PyMuPDF、Pillow和pytesseract实现PDF文件中文OCR识别”存在的问题及改进方向

上一版的OCR识别博文在这：
https://blog.csdn.net/yuetaope/article/details/139642133

1.1 存在问题

上一版的方法是将页面整体转换为图片，然后整体识别图片，未区分原PDF中的文字元素和图片元素。这样做的结果是，原本不需要OCR识别的文字元素也转换成了图片，造成运行速度和识别率的降低。

1.2 改进方向

浏览pymupdf官网
https://pymupdf.readthedocs.io/en/latest/the-basics.html#supported-file-types

1.2.1 使用PyMuPdf识别文字元素

首先，使用使用PyMuPdf的page.get_textpage_ocr()识别文字元素

tp