OCR识别扫描版PDF文件（Python版）

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https://github.com/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 pytesseract
from pdf2image import convert_from_path
import os

os.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 text

fname = '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_path
from aip import AipOcr
import os

APP_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')

参考

1. Tesseract-OCR 安装、中文识别与训练字库
2. pytesseract识别PDF文件中的文字（OCR）
3. python3调用百度API–ocr实现图像/文字/验证码识别