基于Python實(shí)現(xiàn)對(duì)PDF文件的OCR識(shí)別
最近在做一個(gè)項(xiàng)目的時(shí)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(kù)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(shí)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(jiǎn)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(huì)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(gè)：
3.安裝Wand和PIL
在我們開始之前，還需要另外安裝兩個(gè)依賴包。一個(gè)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(kù)：
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(kù)（在本例中，即tesseract）的句柄以及我們?cè)?strong>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(gè)列表，用于存儲(chǔ)我們的圖像和最終的文本。
下一步，我們需要采用wand將一個(gè)PDF文件轉(zhuǎn)成jpeg文件。讓我們?cè)囈辉嚢桑?/p>
注意：將PDF_FILE_NAME替換成當(dāng)前路徑下的一個(gè)可用的PDF文件名。
wand已經(jīng)將PDF中所有的獨(dú)立頁(yè)面都轉(zhuǎn)成了獨(dú)立的二進(jìn)制圖像對(duì)象。我們可以遍歷這個(gè)大對(duì)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(duì)象上運(yùn)行OCR即可，非常簡(jiǎn)單：
現(xiàn)在，所有識(shí)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(duì)PDF文件做OCR識(shí)別的全部?jī)?nèi)容，希望這個(gè)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
這篇文章主要從函數(shù)開始介紹展開Python函數(shù)，以最基本的函數(shù)定義方法描述,需要的朋友可以參考下文簡(jiǎn)單的介紹2021-08-08
本篇文章主要介紹了Python模擬登陸實(shí)現(xiàn)代碼，這里整理了詳細(xì)的代碼,具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-06-06
keras中的loss、optimizer、metrics用法
這篇文章主要介紹了keras中的loss、optimizer、metrics用法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-06-06
最近小編一直在學(xué)習(xí)python的東西，今天小編給大家分享基于python寫的一個(gè)爬蟲程序，能實(shí)現(xiàn)簡(jiǎn)單的網(wǎng)頁(yè)圖片下載，具體實(shí)例代碼大家參考下本文2018-07-07
這篇文章主要為大家介紹了python實(shí)現(xiàn)郵件解析的方法，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2021-12-12
python中數(shù)組和列表的簡(jiǎn)單實(shí)例
,Python數(shù)據(jù)類型分為很多種,其中包括元組、字典、列表等,下面這篇文章主要給大家介紹了python中數(shù)組和列表使用的相關(guān)資料,以及python列表和Numpy數(shù)組的區(qū)別,需要的朋友可以參考下2022-03-03
CentOS 7下安裝Python3.6 及遇到的問題小結(jié)
這篇文章主要介紹了CentOS 7下安裝Python3.6 及遇到的問題小結(jié),需要的朋友可以參考下2018-11-11
Python中的XML庫(kù)4Suite Server的介紹
這篇文章主要介紹了Python中的XML庫(kù)4Suite Server,來自于IBM官方網(wǎng)站,需要的朋友可以參考下2015-04-04
Python 3 實(shí)現(xiàn)定義跨模塊的全局變量和使用教程
這篇文章主要介紹了Python 3 實(shí)現(xiàn)定義跨模塊的全局變量和使用,本文通過實(shí)例代碼相結(jié)合的形式給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2019-07-07
今天小編就為大家分享一篇python 多維高斯分布數(shù)據(jù)生成方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-12-12