如何用Python实现PDF图片中的OCR文字识别？

本文共计407个文字，预计阅读时间需要2分钟。

使用场景：使用场景+使用图片识别技术可以快速提取图片中的信息，方便高效。使用工具：Python（可）

使用场景

使用图片识别可以快速提取图片中的信息，方便高效。

Python并不能直接对PDF进行识别，所以如果是识别PDF的话，需要先将PDF转化为图片，然后再进行识别。

必备工具

• Python
  

可以安装3.7及以上版本

• tesseract-ocr
  

下载地址：github.com/UB-Mannheim/tesseract/wiki使用最新版本即可

• 需要用到的库

pip install pillow pip install opencv-python pip install fitz pip install PyMuPDF pip install pytesseract

代码示例

from PIL import Image import os import pytesseract import cv2 as cv import fitz def pdf_image(pdfPath,imgPath,zoom_x,zoom_y,rotation_angle): # 打开PDF文件 pdf = fitz.open(pdfPath) # 逐页读取PDF for pg in range(0, pdf.pageCount): page = pdf[pg] # 设置缩放和旋转系数 trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle) pm = page.getPixmap(matrix=trans, alpha=False) # 开始写图像 pm.writePNG(imgPath+str(pg)+".png") #pm.writePNG(imgPath) pdf.close() pdf_path ='D:/123.pdf' img_path ='D:/123.png' pdf_image(pdf_path,img_path,5,5,0) # 依赖opencv img=cv.imread(img_path) text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra') # 不依赖opencv写法 # text=pytesseract.image_to_string(Image.open(img_path)) print(text)

总结

识别清晰的文字图片的时候准确率非常高

但是识别手写体的话效果不太好

注意事项

在安装tesseract-ocr 的时候一定要记得选择对应的语言，不然是无法正常使用的。

以上就是如何使用Python进行PDF图片识别OCR的详细内容，更多关于python pdf图片识别ocr的资料请关注易盾网络其它相关文章！