如何使用Python進行PDF圖片識別OCR

使用場景

使用圖片識別可以快速提取圖片中的信息,方便高效。

Python並不能直接對PDF進行識別,所以如果是識別PDF的話,需要先將PDF轉化為圖片,然後再進行識別。

必備工具

  • Python 

可以安裝3.7及以上版本

  • tesseract-ocr 

下載地址: https://github.com/UB-Mannheim/tesseract/wiki 使用最新版本即可

  • 需要用到的庫
pip install pillow
pip install opencv-python
pip install fitz
pip install PyMuPDF
pip install pytesseract

代碼示例

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):
  # 打開PDF文件
  pdf = fitz.open(pdfPath)
  # 逐頁讀取PDF
  for pg in range(0, pdf.pageCount):
    page = pdf[pg]
    # 設置縮放和旋轉系數
    trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
    pm = page.getPixmap(matrix=trans, alpha=False)
    # 開始寫圖像
    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)
# 依賴opencv
img=cv.imread(img_path)
text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra')
# 不依賴opencv寫法
# text=pytesseract.image_to_string(Image.open(img_path))
print(text)

總結

識別清晰的文字圖片的時候準確率非常高

但是識別手寫體的話效果不太好

註意事項

在安裝tesseract-ocr 的時候一定要記得選擇對應的語言,不然是無法正常使用的。

以上就是如何使用Python進行PDF圖片識別OCR的詳細內容,更多關於python pdf圖片識別ocr的資料請關註WalkonNet其它相關文章!

推薦閱讀: