PyMuPDF 操作手册 - 05 PDF的OCR识别等

六、PyMuPDF的OCR识别

https://github.com/pymupdf/PyMuPDF-Utilities/tree/master/OCR

使用 PyMuPDF 和 OCR 的演示脚本
从 1.18.0 版本开始，MuPDF 支持动态调用 Tesseract OCR 来解释页面或图像上的文本。从其版本 1.19.0 开始，PyMuPDF 已开始支持此接口。

6.1 使用 Tesseract进行OCR

此演示脚本读取包含无法解释的字符的文档文本。这些字符被编码为 MuPDF。在每次遇到与此字符的文本跨度时，都会通过 Python 调用 Tesseract OCR 进行解释。脚本和 Tesseract 安装之间没有其他/直接连接。chr(65533)subprocess

脚本的方法是这样的

• 将页面的文本解压缩到 via .dictget_text(“dict”, flags=0)[“blocks”]
• 遍历字典并检查 span 文本是否包含 .chr(65533)
• 在这种情况下，请创建跨度的 bbox 的像素图，并调用 Tesseract 来对此图像进行 OCR。
• 打印新旧文本以进行视觉比较。

每个此类 OCR 操作的平均持续时间约为 0.65 秒（Windows 10,64 位，