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文件轉換成圖像：

我們也需要PIL因為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，我們需要導入一些重要的庫：

注意：我將從PIL導入的Image模塊改名為PI了，因為如果不這樣做的話，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，因為之前我曾嘗試過，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文件轉成jpeg文件。讓我們試一試吧！

注意：將PDF_FILE_NAME替換成當前路徑下的一個可用的PDF文件名。

wand已經(jīng)將PDF中所有的獨立頁面都轉成了獨立的二進制圖像對象。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

最新評論