win10 Tesseract-ORC安装教程以及使用案例（pdf拆分）

简介

OCR(Optical Character Recognition)：光学字符识别，是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。
Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后由Google进行改进、修改bug、优化，重新发布。

下载

1、 Windows版本tesseract各版本下载T，本教程用的版本是tesseract-ocr-setup-4.00.00dev.exe（【注意】要3.0以上才支持中文）

2、 各版本对应字库，要识别简体中文需要下载chi_sim.traindata字库（【注意】根据版本下载对应字库）。

安装好tesseract后，可下载中文包

下载好中文包后，将文件放在C:\Program Files (x86)\Tesseract-OCR\tessdata目录下

安装

1 点击tesseract-ocr-setup-4.00.00dev.exe文件，按提示安装就行，安装成功之后如下张图：

2 在cmd窗口输入tesseract -v，配置成功如下图：

3 查看支持的语言类型：
1 将目录cd 到：
cd C:\Program Files (x86)\Tesseract-OCR
2 输入指令：
tesseract -v tesseract --list-langs -v tesseract --list-langs　　# 查看Tesseract-OCR支持语言，结果如图所示：

环境配置

1 增加一个TESSDATA_PREFIX变量名，变量值为我的语言字库文件夹安装路径C:\Program Files (x86)\Tesseract-OCR\tessdata 添加到变量中;如下图：

2 增加一个OCR_HOME变量名，变量值C:\Program Files (x86)\Tesseract-OCR;如下图：

3 在path中添加如图所示两个值

4 配置tesseract运行文件

...\Lib\site-packages\pytesseract\pytesseract.py 

找到文件：tesseract_cmd = 'tesseract'
修改为：tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'       你放tesseract.exe的路径

使用

Tesseract-ORC文字识别是配合着pytesseract模块使用的

pip install pytesseract

代码示例：
实现批量的根据关键字对pdf进行拆分的功能（这里的pdf为扫描件pdf）：

from PIL import Image
import os
import pytesseract
import cv2 as cv
import fitz


def pdf_image(pdfPath,imgPath,new_pdf_file_path,keywords,zoom_x=2,zoom_y=2,rotation_angle=0):
  """

  :param pdfPath: 需要处理的.pdf文件所在文件夹的位置
  :param imgPath: .pdf转成图片后图片的保存路径
  :param new_pdf_file_path: 新产生的.pdf所在文件夹的位置
  :param keywords: 关键字
  :param zoom_x:
  :param zoom_y:
  :param rotation_angle:
  :return:
  """
  file_list = []  # 新建一个空列表用于存放文件名
  file_dir =pdfPath
  for files in os.walk(file_dir):  # 遍历指定文件夹及其下的所有子文件夹
      for file in files[2]:  # 遍历每个文件夹里的所有文件，（files[2]:母文件夹和子文件夹下的所有文件信息，files[1]:子文件夹信息，files[0]:母文件夹信息）
          if os.path.splitext(file)[1] == '.PDF' or os.path.splitext(file)[1] == '.pdf':  # 检查文件后缀名,逻辑判断用==
              # file_list.append(file)#筛选后的文件名为字符串，将得到的文件名放进去列表，方便以后调用
              file_list.append(file_dir + '\\' + file)  # 给文件名加入文件夹路径
  # print(file_list)
  # 创建存储图片的文件夹 D:\Users\admin\Desktop\save\img
  if not os.path.exists(os.path.dirname(imgPath)):
      os.mkdir(os.path.dirname(imgPath))
  # 创建存储拆分后新pdf的文件夹 D:\Users\admin\Desktop\save\new_pdf_result
  if not os.path.exists(new_pdf_file_path):
      os.mkdir(new_pdf_file_path)
  for file_path in file_list:
      pdf = fitz.open(file_path) # 打开PDF文件
      png_files = []
      sources = []
      # 逐页读取PDF
      for pg in range(0, pdf.page_count):
        page = pdf[pg]
        # 设置缩放和旋转系数
        trans = fitz.Matrix(zoom_x, zoom_y).prerotate(rotation_angle)
        pm = page.get_pixmap(matrix=trans, alpha=False)
        # 开始写图像
        pm._writeIMG(imgPath + str(pg) + ".png", 1)
        # 依赖opencv
        img=cv.imread(imgPath+str(pg)+".png")
        text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_sim')
        # text = pytesseract.image_to_string(Image.open(imgPath +str(pg)+ ".png"), lang='chi_sim')
        print(text)
        # 将多个图片合并成一个pdf
        if keywords in text:
            png_files.append(imgPath+str(pg)+".png")
      pdf.close()
      if png_files:
          png_files.sort()
          output = Image.open(png_files[0])
          png_files.pop(0)
          for file in png_files:
              png_file = Image.open(file)
              if png_file.mode == "RGB":
                  png_file = png_file.convert("RGB")
              sources.append(png_file)
          # output.save(new_pdf_path, "pdf", save_all=True, append_images=sources)
          new_pdf_path = os.path.join(new_pdf_file_path, os.path.basename(file_path))
          output.save(new_pdf_path,  save_all=True, append_images=sources)


pdf_path =r'D:\Users\admin\Desktop\new_pdf'
# keywords='中 国 证 券 期 货 市 场 衍 生 品 交 易 主 协 议'
keywords='中 国 证 券'
img_path =r'D:\Users\admin\Desktop\save\img\test'
new_pdf_file_path=r'D:\Users\admin\Desktop\save\new_pdf_result'
pdf_image(pdf_path,img_path,new_pdf_file_path,keywords)

可能遇到的问题有：

运行项目时，报错无法打开C:\Program Files (x86)\Tesseract-OCR\tessdata里面的中文包

pytesseract.pytesseract.TesseractError: (1, 'Error opening data file C:\\Program Files\\Tesseract-OCR\\tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory. Failed loading language \'chi_sim\' Tesseract couldn\'t load any languages! Could not initialize tesseract.') 

解决方案：
项目环境配置添加TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR\tessdata
如图所示：

参考资料：
Tesseract-OCR 安装、中文识别与训练字库
在window下搭建Tesseract-OCR图片识别文字环境变量
OCR识别扫描版PDF文件（Python版）
基于Python的PDF扫描文件OCR识别
如何使用Python进行PDF图片识别OCR
Please make sure the TESSDATA_PREFIX environment variable is set to your “tessdata“ directory.
解决pytesseract.pytesseract.TesseractError: (1, ‘Error opening data file C:\Program Files\Tesseract-
OS库应用之遍历文件夹的pdf文件，批量解析然后归档