文章目录
概述扫描版PDF文字识别Tesseract OCR实现pdf文本识别tesseract-ocr安装与测试python实现基于tesseract的pdf文本识别百度 OCR实现pdf文本识别准备python实现基于百度OCR的pdf文本识别参考概述
本文识别扫描版PDF文件（不是文字版）基本原理基于OCR识别。若要处理文字版OCR，百度pdfminer或pdfplumder等使用即可。
依赖：
应用程序tesseract-ocr https://digi.bib.uni-mannheim.de/tesseract/python库pytesseract、pdf2image
基本思路：
使用pdf2image.convert_from_path将pdf文件转化为png格式图片；通过pytesseract链接tesseract-ocr，使用pytesseract.image_to_string识别图像中的文字。
扫描版PDF文字识别
Tesseract OCR实现pdf文本识别
tesseract-ocr安装与测试
tesseract-ocr安装完成后，配置环境变量，即将tesseract的安装路径添加到‘path’系统变量； 配置完成后，在cmd窗口输入tesseract -v会显示配置成功信息。 识别简体中文需要下载chi_sim.traindata字库/tesseract-ocr/tessdata，注意，该字库仅支持Tesseract 4.0.0及更高版本；将下载好的字库放到Tesseract-OCR安装目录下的tessdata文件夹里；cmd中进入需要识别图片目录，执行tesseract *.png result -l eng将图片’*.png’的OCR结果保存至’result.txt’文件夹。-l参数为OCR识别语言，默认英语eng。 中文的识别效果不太理想，需要自己训练下。python实现基于tesseract的pdf文本识别
import pytesseractfrom pdf2image import convert_from_pathimport osos.chdir(os.getcwd())def tess_ocr(fname, lang):# 将pdf转换为png后，保存在dirname文件夹dirname = fname.rsplit('.', 1)[0]if not os.path.exists(dirname):os.mkdir(dirname)images = convert_from_path(fname, fmt='png', output_folder=dirname)text = ''for img in images:text += pytesseract.image_to_string(img, lang=lang)with open('result.txt', 'w', encoding='utf-8') as f:f.write(text)return textfname = 'test.pdf'text = tess_ocr(fname, lang='chi_sim')
百度 OCR实现pdf文本识别
由于直接使用tesseract识别效果并不理想，尝试百度OCR。
准备
安装python库baidu-aip，pip install baidu-aip；
在百度智能云创建文本识别应用，获得’APP_ID’ 、‘API_KEY’ 和’SECRET_KEY’ 字段；
标准版文字识别‘5000次/天免费’，一般是足够的。
python实现基于百度OCR的pdf文本识别
from pdf2image import convert_from_pathfrom aip import AipOcrimport osAPP_ID = '***'API_KEY = '***'SECRET_KEY = '***'client = AipOcr(APP_ID, API_KEY, SECRET_KEY)def baidu_ocr(fname):f = open('result.txt', 'w', encoding='utf-8')dirname = fname.rsplit('.', 1)[0]if not os.path.exists(dirname):os.mkdir(dirname)images = convert_from_path(fname, fmt='png', output_folder=dirname)for img in images:with open(img.filename, 'rb') as fimg: img = fimg.read() # 根据'PIL.PngImagePlugin.PngImageFile'对象的filename属性读取图片为二进制msg = client.basicGeneral(img)for i in msg.get('words_result'):f.write('{}\n'.format(i.get('words')))f.write('\f\n') f.close()baidu_ocr('1.pdf')
