欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

如何使用Python进行PDF图片识别OCR

程序员文章站 2022-03-10 17:42:50
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...

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的资料请关注其它相关文章!