基于Python实现对PDF文件的OCR识别
最近在做一个项目的时候,需要将PDF文件作为输入,从中输出文本,然后将文本存入数据库中。为此,我找寻了很久的解决方案,最终才确定使用tesseract。所以不要浪费时间了,我们开始吧。 1.安装tesseract 在不同的系统中安装tesseract非常容易。为了简便,我们以Ubuntu为例。 在Ubuntu中你仅仅需要运行以下命令: 这将会安装支持3种不同语言的tesseract。 2.安装PyOCR 现在我们还需要安装tesseract的Python接口。幸运的是,有许多出色的Python接口。 我们采用最新的一个: 3.安装Wand和PIL 在我们开始之前,还需要另外安装两个依赖包。一个是Wand。它是Imagemagick的Python接口。 我们需要使用它来将PDF文件转换成图像: 我们也需要PIL因为PyOCR需要使用它。你可以查看官方文档以确定如何将PIL安装到你的操作系统中。 4.热身 让我们开始我们的脚本吧。首先,我们需要导入一些重要的库: 注意:我将从PIL导入的Image模块改名为PI了,因为如果不这样做的话,它将和 5.开始 现在我们需要获得OCR库(在本例中,即tesseract)的句柄以及我们在PyOCR中将使用的语言: 我们使用 接着,我们需要建立两个列表,用于存储我们的图像和最终的文本。 下一步,我们需要采用wand将一个PDF文件转成jpeg文件。让我们试一试吧! 注意:将PDF_FILE_NAME替换成当前路径下的一个可用的PDF文件名。 wand已经将PDF中所有的独立页面都转成了独立的二进制图像对象。我们可以遍历这个大对象,并把它们加入到req_image序列中去。 现在,我们仅仅需要在图像对象上运行OCR即可,非常简单: 现在,所有识别出的文本已经加到了final_text序列中了。你可以任意地使用它。以上就是利用Python对PDF文件做OCR识别的全部内容,希望这个教程能够帮助到你们! 英文原文:https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-python/ 译者:LuCima (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |