快捷導(dǎo)航

Python實現(xiàn)識別圖片和掃描PDF中的文字

更新時間：2025年02月12日 08:14:46 作者：nuclear2011

在處理掃描的PDF和圖片時,文字信息往往無法直接編輯、搜索或復(fù)制,這給信息提取和分析帶來了諸多不便,所以本文將介紹如何使用Python及相關(guān)OCR庫實現(xiàn)對圖片和掃描PDF中文字的識別,需要的可以了解下

在處理掃描的PDF和圖片時，文字信息往往無法直接編輯、搜索或復(fù)制，這給信息提取和分析帶來了諸多不便。手動錄入信息不僅耗時費力，還容易出錯。光學(xué)字符識別（OCR）技術(shù)能夠?qū)D片中的文字轉(zhuǎn)換為可編輯文本，使信息提取和處理更加高效。如今，OCR已廣泛應(yīng)用于掃描文件的轉(zhuǎn)換、數(shù)字化文檔的整理、以及自動化數(shù)據(jù)輸入等領(lǐng)域。本文將介紹如何使用Python及相關(guān)OCR庫，實現(xiàn)對圖片和掃描PDF中文字的識別。

工具與設(shè)置

要在Python中實現(xiàn)從圖片和掃描PDF中提取文本，我們需要選擇一個適當(dāng)?shù)腛CR庫。本文所選擇的庫是Spire.OCR for Python。該庫支持多種語言，包括英語、法語、德語、簡體中文、繁體中文、日語、韓語等。在使用該庫之前，我們需要完成以下兩個步驟：

步驟1：安裝Spire.OCR for Python

在終端中運行以下命令安裝Spire.OCR for Python：

pip install Spire.OCR

步驟2：下載OCR模型

Spire.OCR for Python提供了支持Windows（64位）、Linux（64位）和MacOS（10.15及以上）操作系統(tǒng)的三種模型。我們需要根據(jù)自己的系統(tǒng)下載適合的模型：

Win x64
Linux x64
Mac 10.15及以上

下載完成后，將它解壓并保存到特定的目錄下。

完成以上兩個步驟后，我們就可以使用該庫實現(xiàn)識別圖片和掃描PDF中的文字。

Python 識別圖片中的文字

從圖片中提取文本的過程比較簡單。首先，需要配置 OCR 掃描器的相關(guān)設(shè)置（例如：文本識別語言和OCR模型的路徑）；然后對圖片進(jìn)行掃描；最后將識別的文字保存為文本文件。

以下是從圖片中提取文本的關(guān)鍵步驟：

初始化 OCR 掃描器：創(chuàng)建 OcrScanner 對象。
配置 OCR 設(shè)置：通過 OcrScanner 對象的 ConfigureDependencies 方法，設(shè)置 OCR 模型的路徑和文本識別語言。
掃描圖片：使用 OcrScanner 對象的 Scan() 方法，從圖片中識別文本。
保存文本：獲取識別出的文本并保存為文本文件。

實現(xiàn)代碼：

from spire.ocr import *
 
# 初始化OcrScanner對象
scanner = OcrScanner()
 
# 配置OCR設(shè)置（文本識別語言和OCR模型路徑）
# 支持的語言包括英語、法語、德語、日語、韓語、簡體中文、繁體中文等
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'D:\OCR\win-x64'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)
 
# 掃描圖片
scanner.Scan(r'測試.png')
 
# 獲取識別的文本
text = scanner.Text.ToString() + '\n'
 
# 將文本保存到文本文件
with open('輸出.txt', 'a', encoding='utf-8') as file:
file.write(text + '\n')

原始圖片和識別結(jié)果：

Python 識別圖片中的文字及其坐標(biāo)位置

有時除了識別文本外，還需要獲取文本在圖片中的坐標(biāo)位置。Spire.OCR也支持提取這些信息。

以下是從圖片中識別文本并獲取其坐標(biāo)位置的關(guān)鍵步驟：

初始化OCR掃描器：創(chuàng)建OcrScanner對象。
配置OCR設(shè)置：通過OcrScanner對象的ConfigureDependencies方法設(shè)置OCR模型的路徑和文本識別語言。
掃描圖片：使用OcrScanner 對象的Scan() 方法從圖片中識別文本。
獲取邊框坐標(biāo)：遍歷識別的文本中的文本塊，獲取每個文本塊的邊框信息（x, y坐標(biāo)及其寬度和高度）。
保存文本和坐標(biāo)：將文本及其坐標(biāo)保存到文本文件中。

實現(xiàn)代碼：

from spire.ocr import *
 
# 初始化OcrScanner對象
scanner = OcrScanner()
 
# 配置OCR設(shè)置（文本識別語言和OCR模型路徑）
# 支持的語言包括英語、法語、德語、日語、韓語、簡體中文、繁體中文等
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'D:\OCR\win-x64'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)
 
# 掃描圖片
scanner.Scan(r'測試.png')
 
# 遍歷識別的文本中的文本塊，提取每個文本塊的文本和坐標(biāo)位置等信息
text = ''
for block in scanner.Text.Blocks:
    rectangle = block.Box
    positions = f'{block.Text} -> x: {rectangle.X}, y: {rectangle.Y}, w: {rectangle.Width}, h: {rectangle.Height}'
    text += positions + '\n'
 
# 將文本和坐標(biāo)保存到文本文件
with open('圖片文字及坐標(biāo).txt', 'a', encoding='utf-8') as file:
    file.write(text + '\n')

Python 識別掃描PDF中的文字

對于掃描的PDF文檔，需先將每一頁轉(zhuǎn)換為圖片格式?？梢越柚?a target="_blank">Spire.PDF for Python庫來實現(xiàn)這一點。將PDF頁面轉(zhuǎn)換為圖片后，即可對每張圖片執(zhí)行 OCR 處理。

在使用以下代碼之前，請先通過以下命令安裝Spire.PDF：

pip install Spire.PDF

以下是從掃描PDF中提取文本的關(guān)鍵步驟：

將PDF頁面轉(zhuǎn)換為圖片：使用Spire.PDF加載掃描的PDF文檔，然后使用PdfDocument.SaveAsImage()方法將文檔的每一頁保存為圖片。
執(zhí)行OCR：使用Spire.OCR識別每張圖片中的文本。
保存識別的文本：將識別的文本保存到文本文件中。

實現(xiàn)代碼：

from spire.pdf import *
from spire.ocr import *
import io
 
# 將PDF頁面轉(zhuǎn)換為圖片
def convert_pdf_page_to_image(pdf, page_index):
    return pdf.SaveAsImage(page_index)
 
# 從圖片中識別文本
def recognize_text_from_image(imgName, language, model_path):
    # 初始化OCR掃描器并配置OCR模型的路徑和文本識別語言
    scanner = OcrScanner()
    configure_options = ConfigureOptions()
    configure_options.Language = language
    configure_options.ModelPath = model_path
    scanner.ConfigureDependencies(configure_options)
 
    # 執(zhí)行OCR并返回識別的文本
    scanner.Scan(imgName)
    data = scanner.Text.ToString()
    return data
 
# 加載掃描PDF文檔
pdf = PdfDocument()
pdf.LoadFromFile('掃描.pdf')
 
# 創(chuàng)建文本文件以保存提取的文本
with open('掃描PDF.txt', 'a', encoding='utf-8') as writer:
    for page_index in range(pdf.Pages.Count):
        # 將PDF頁面轉(zhuǎn)換為圖片
        image = convert_pdf_page_to_image(pdf, page_index)
        imgName="toImage_"+str(page_index)+".png"
        image.Save(imgName)
 
        # 從圖片中識別文本
        recognized_text = recognize_text_from_image(imgName, 'Chinese', r'D:\OCR\win-x64')
 
        # 將識別的文本寫入文本文件
        writer.write(f'Page {page_index + 1}:\n')
        writer.write(recognized_text)
        writer.write('\n\n')  # 在頁面之間添加兩個換行符
 
print('文本已成功保存到"掃描PDF.txt"。')