Python使用paddleOCR批量识别pdf的方法
作者：Python斗罗
PaddleOCR可以在图像、文本、表格等多种场景下进行文字识别,本文主要介绍了Python使用paddleOCR批量识别pdf的方法,具有一定的参考价值,感兴趣的可以了解一下
PaddleOCR是一个基于PaddlePaddle深度学习框架的OCR（Optical Character Recognition，光学字符识别）系统，可以在图像、文本、表格等多种场景下进行文字识别，具有高速、高精度、高可定制性等特点。在应用中，可以使用PaddleOCR进行pdf文件的批量识别。
注意，本文章所述方法仅适用于单栏文本，无表格等复杂场景的情况。
以下是使用PaddleOCR批量识别pdf的步骤：
1、安装PaddleOCR
首先需要安装PaddleOCR，可以参考官方文档进行安装。
按照文档来非常的简单。无需害怕。https://github.com/PaddlePaddle/PaddleOCR
2、准备pdf文件
将需要识别的pdf文件准备好，可以使用一个扫描版进行测试。
3、使用PaddleOCR进行识别
paddleocr识别pdf的过程是先将pdf变为图片，再识别图片，最终再拼接出答案。
所以我们在此将过程分为两个函数。
如下：
import datetime
import os
import fitz # fitz就是pip install PyMuPDF
def pdf2png(pdfPath, baseImagePath):
imagePath=os.path.join(baseImagePath,os.path.basename(pdfPath).split('.')[0])
startTime_pdf2img = datetime.datetime.now() # 开始时间
print("imagePath=" + imagePath)
if not os.path.exists(imagePath):
os.makedirs(imagePath)
pdfDoc = fitz.open(pdfPath)
totalPage=pdfDoc.pageCount
for pg in range(totalPage):
page = pdfDoc[pg]
rotate = int(0)
zoom_x = 2
zoom_y = 2
mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
pix = page.get_pixmap(matrix=mat, alpha=False)
print(f'正在保存{pdfPath}的第{pg+1}页，共{totalPage}页')
pix.save(imagePath + '/' + f'images_{pg+1}.png')
endTime_pdf2img = datetime.datetime.now()
print(f'{pdfDoc}-pdf2img-花费时间={(endTime_pdf2img - startTime_pdf2img).seconds}秒')
if __name__ == "__main__":
pdfPath = r'./demo-scan.pdf'
baseImagePath = './imgs'
pdf2png(pdfPath, baseImagePath)
import os
import cv2
from paddleocr import PPStructure,save_structure_res
from paddleocr.ppstructure.recovery.recovery_to_doc import sorted_layout_boxes, convert_info_docx
from copy import deepcopy
# 中文测试图
table_engine = PPStructure(recovery=True,lang='ch')
image_path = './imgs/demo-scan'
save_folder = './txt'
def img2docx(img_path):
text=[]
imgs=os.listdir(img_path)
for img_name in imgs:
print(os.path.join(img_path,img_name))
img = cv2.imread(os.path.join(img_path,img_name))
result = table_engine(img)
save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])
h, w, _ = img.shape
res = sorted_layout_boxes(result, w)
convert_info_docx(img, res, save_folder, os.path.basename(img_path).split('.')[0])
for line in res:
line.pop('img')
print(line)
for pra in line['res']:
text.append(pra['text'])
text.append('\n')
with open('txt/res.txt', 'w', encoding='utf-8') as f:
f.write('\n'.join(text))
img2docx(image_path)
以上代码将会读取指定目录下的pdf文件，并将其转换为图像列表，然后使用PaddleOCR进行识别，最后将识别结果保存在指定目录下的文本文件中。
需要注意的是，使用PaddleOCR进行pdf识别时，由于pdf文件通常包含多页，需要将每一页的内容分别识别，并将其合并成完整的文本内容。
另外，由于PaddleOCR的识别结果可能存在误识别的情况，需要对识别结果进行校验和修正。
到此这篇关于Python使用paddleOCR批量识别pdf的方法的文章就介绍到这了,更多相关Python批量识别pdf内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！