基于Python實(shí)現(xiàn)對PDF文件的OCR識別
最近在做一個項目的時候，需要將PDF文件作為輸入，從中輸出文本，然后將文本存入數(shù)據(jù)庫中。為此，我找尋了很久的解決方案，最終才確定使用tesseract。所以不要浪費(fèi)時間了，我們開始吧。
1.安裝tesseract
在不同的系統(tǒng)中安裝tesseract非常容易。為了簡便，我們以Ubuntu為例。
在Ubuntu中你僅僅需要運(yùn)行以下命令:
這將會安裝支持3種不同語言的tesseract。
2.安裝PyOCR
現(xiàn)在我們還需要安裝tesseract的Python接口。幸運(yùn)的是，有許多出色的Python接口。
我們采用最新的一個：
3.安裝Wand和PIL
在我們開始之前，還需要另外安裝兩個依賴包。一個是Wand。它是Imagemagick的Python接口。
我們需要使用它來將PDF文件轉(zhuǎn)換成圖像：
我們也需要PIL因?yàn)?strong>PyOCR需要使用它。你可以查看官方文檔以確定如何將PIL安裝到你的操作系統(tǒng)中。
4.熱身
讓我們開始我們的腳本吧。首先，我們需要導(dǎo)入一些重要的庫：
注意：我將從PIL導(dǎo)入的Image模塊改名為PI了，因?yàn)槿绻贿@樣做的話，它將和wand.image模塊發(fā)生重名沖突。
5.開始
現(xiàn)在我們需要獲得OCR庫（在本例中，即tesseract）的句柄以及我們在PyOCR中將使用的語言：
我們使用tool.get_available_languages里的第二種語言，因?yàn)橹拔以鴩L試過，第二種語言就是英語。
接著，我們需要建立兩個列表，用于存儲我們的圖像和最終的文本。
下一步，我們需要采用wand將一個PDF文件轉(zhuǎn)成jpeg文件。讓我們試一試吧！
注意：將PDF_FILE_NAME替換成當(dāng)前路徑下的一個可用的PDF文件名。
wand已經(jīng)將PDF中所有的獨(dú)立頁面都轉(zhuǎn)成了獨(dú)立的二進(jìn)制圖像對象。我們可以遍歷這個大對象，并把它們加入到req_image序列中去。
現(xiàn)在，我們僅僅需要在圖像對象上運(yùn)行OCR即可，非常簡單：
現(xiàn)在，所有識別出的文本已經(jīng)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對PDF文件做OCR識別的全部內(nèi)容，希望這個教程能夠幫助到你們！
英文原文：https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-python/
譯者：LuCima
相關(guān)文章
這篇文章主要介紹了Python中的文件I/O操作,是Python入門中的基礎(chǔ)知識,需要的朋友可以參考下2015-05-05
python3實(shí)現(xiàn)用turtle模塊畫一棵隨機(jī)櫻花樹
今天小編就為大家分享一篇python3實(shí)現(xiàn)用turtle模塊畫一棵隨機(jī)櫻花樹，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了Sanic框架流式傳輸操作,結(jié)合實(shí)例形式分析了Sanic通過流請求與響應(yīng)傳輸操作相關(guān)實(shí)現(xiàn)技巧與注意事項,需要的朋友可以參考下2018-07-07
scipy.interpolate插值方法實(shí)例講解
這篇文章主要介紹了scipy.interpolate插值方法介紹,本文結(jié)合實(shí)例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-12-12
python 實(shí)現(xiàn)從高分辨圖像上摳取圖像塊
今天小編就為大家分享一篇python 實(shí)現(xiàn)從高分辨圖像上摳取圖像塊，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
今天小編就為大家分享一篇pip指定python位置安裝軟件包的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
Python實(shí)現(xiàn)的排列組合計算操作示例
這篇文章主要介紹了Python實(shí)現(xiàn)的排列組合計算操作,涉及Python數(shù)學(xué)運(yùn)算的相關(guān)函數(shù)與使用技巧,需要的朋友可以參考下2017-10-10
Python爬蟲Scrapy框架IP代理的配置與調(diào)試
在調(diào)試爬蟲的時候，新手都會遇到關(guān)于ip的錯誤，本文就來介紹一下Python爬蟲Scrapy框架IP代理的配置與調(diào)試，具有一定的參考價值，感興趣的可以了解一下2021-12-12
pytorch 如何使用batch訓(xùn)練lstm網(wǎng)絡(luò)
這篇文章主要介紹了pytorch 如何使用batch訓(xùn)練lstm網(wǎng)絡(luò)的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
這篇文章主要介紹了Python中斷多重循環(huán)的幾種方式詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-02-02