如何使用Python进行PDF图片识别OCR
使用场景
使用图片识别可以快速提取图片中的信息,方便高效。
python并不能直接对PDF进行识别,所以如果是识别PDF的话,需要先将PDF转化为图片,然后再进行识别。
必备工具
可以安装3.7及以上版本
- tesseract-ocr
下载地址: https://github.com/UB-Mannheim/tesseract/wiki 使用最新版本即可
- 需要用到的库
pip install pillow
pip install opencv-python
pip install fitz
pip install PyMuPDF
pip install pytesseract
代码示例
from PIL import Image
import os
import pytesseract
import cv2 as cv
import fitz
def pdf_image(pdfPath,imgPath,zoom_x,zoom_y,rotation_angle):
# 打开PDF文件
pdf = fitz.open(pdfPath)
# 逐页读取PDF
for pg in range(0, pdf.pageCount):
page = pdf[pg]
# 设置缩放和旋转系数
trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
pm = page.getPixmap(matrix=trans, alpha=False)
# 开始写图像
pm.writePNG(imgPath+str(pg)+".png")
#pm.writePNG(imgPath)
pdf.close()
pdf_path ='D:/123.pdf'
img_path ='D:/123.png'
pdf_image(pdf_path,img_path,5,5,0)
# 依赖opencv
img=cv.imread(img_path)
text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra')
# 不依赖opencv写法
# text=pytesseract.image_to_string(Image.open(img_path))
print(text)
总结
识别清晰的文字图片的时候准确率非常高
但是识别手写体的话效果不太好
注意事项
在安装tesseract-ocr 的时候一定要记得选择对应的语言,不然是无法正常使用的。
最后更新于 2021-10-12 08:54:13 并被添加「python pdf ocr 识别 」标签,已有 位童鞋阅读过。
本站使用「署名 4.0 国际」创作共享协议,可自由转载、引用,但需署名作者且注明文章出处
相关文章
- C语言检测空格(C语言如何检测空格)
- 张大酥绿豆糕中式糕点心结婚订婚专用喜饼伴手礼茶点小吃零食甜品
- HTML5 新旧语法标记对我们有什么好处
- 车载手机支架2022新款吸盘汽车导航车内万能车用固定车上专用防抖
- 基于python制作简易版学生信息管理系统