如何使用Python进行PDF图片识别OCR
(编辑：jimmy 日期: 2024/11/2 浏览：3 次 )
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： https://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的资料请关注其它相关文章！
下一篇：浅析python字符串前加r、f、u、l 的区别