Python利用cnocr库实现pdf文件的文字识别

import numpy as np
from cnocr import CnOcr
from pymupdf import pymupdf


def pdf2txt(input_file, output_file, start_page=0, page_count=-1):
    """
    将扫描的pdf文件中指定的页面范围内的内容转换成文本文件
    :param input_file: 要识别的pdf文件的相对或绝对路径，包含文件名的字符串
    :param output_file: 保存识别结果的txt文件的相对或绝对路径
    :param start_page: 识别起始页面，默认为第1页
    :param page_count: 识别的页数，默认为所有页面
    :return:
    """
    pdf = pymupdf.open(input_file)
    count = pdf.page_count

    if start_page < 0:
        start_page = 0
    if page_count < 0 or page_count + start_page > count:
        end_page = count
    else:
        end_page = page_count + start_page
    # 如CnOcr的识别模型尚未下载，以下语句执行时CnOcr会自动下载模型并解压到用户目录下的AppData\\Roaming\\cnocr\\cnocr版本号下
    # 也可以在初始化时指定rec_model_fp参数给出模型所在的相对路径或绝对路径指定识别模型，如以下示例（因以下路径是我的电脑上的默认路径，
    # 因此下面两行代码与ocr = CnOcr(）完全等价
    ocr = CnOcr(rec_model_fp='C:\\Users\\asus\\AppData\\Roaming\\cnocr\\2.3\\densenet_lite_136-gru'
                             '\\cnocr-v2.3-densenet_lite_136-gru-epoch=004-ft-model.onnx')
    print(start_page, end_page)

    with open(output_file, 'w', encoding='utf-8') as f:
        for i in range(start_page, end_page):
            page = pdf[i]
            pix = page.get_pixmap()
            width = pix.width
            height = pix.height
            # pixmap转换为nympy.ndarray，供CnOcr识别
            image = np.frombuffer(pix.samples, dtype=np.uint8).reshape(height, width, pix.n)
            res = ocr.ocr(image)
            string_list = []
            for val in res:
            	# 注意这是2.2版本以后的cnocr读取识别结果的方式与2.1版本已经不同
            	# 如果cnocr识别结果总是一些textscoreposition字符串，那就是用了老版的方式
                string_list.append(val['text'])

            ocr_result_string = '\n'.join(string_list)
            f.write(ocr_result_string)  # 这行代码自带文件关闭功能，不需要再写 f.close()
            print(f'page{i + 1} finished.')

    pdf.close()


input_file = f'test.pdf'
output_file = 'test.txt'
pdf2txt(input_file, output_file, 500, 522)

for val in res:
    string_list.append(val['text'])

for i in range(len(res)):
    for j in res[i]:
        string_list.append(j)