如何使用Python进行PDF图片识别OCR
作者:许鸿飞
这篇文章主要介绍了如何使用Python进行PDF图片识别OCR,帮助大家更好的理解和使用python,感兴趣的朋友可以了解下
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
- Python
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。
以上就是如何使用Python进行PDF图片识别OCR的详细内容,更多关于python pdf图片识别ocr的资料请关注脚本之家其它相关文章!