textract OCR的安装使用

安装

pip install textract

使用

在 Python 中，textract 是一个用于提取文本和信息的库。它提供了一个函数 textract.process()，用于处理不同类型的文档并提取文本内容。下面是 textract.process() 函数的各个参数的介绍：

1. filename（必需参数）：要处理的文件的路径或文件对象。可以是本地文件的路径或文件对象，也可以是远程文件的URL。
2. encoding（可选参数）：指定文本编码格式。默认为 None，表示自动检测文本的编码。你可以指定其他编码格式，如 'utf-8'、'latin-1' 等。
3. method（可选参数）：指定文本提取的方法。默认为 None，表示使用自动检测的方法。可用的方法包括 'tesseract'、'pdfminer'、'docx'、'pptx'、'xlrd' 等。你也可以传递一个方法列表，textract 将按顺序尝试这些方法，直到成功提取文本。
4. language（可选参数）：指定要用于文本提取的语言。默认为 None，表示自动检测语言。你可以指定语言代码，如 'en' 表示英文，'de' 表示德文等。
5. processing_flags（可选参数）：指定额外的处理标志。这是一个位掩码，用于控制处理过程中的不同选项。常用的标志包括 textract.processing_flags.PDF_STEMMING（对 PDF 进行词干提取）、textract.processing_flags.PDF_PRESERVE_LAYOUT（保留 PDF 文档的布局）等。
6. engine_args（可选参数）：指定提取引擎的附加参数。这是一个字典，用于传递特定提取引擎的参数。根据不同的提取方法，可用的参数也不同。
7. extension（可选参数）：指定文件的扩展名。默认为 None，表示根据文件名自动检测扩展名。如果文件名没有扩展名，或者需要强制使用特定的提取方法，可以通过指定扩展名来选择提取方法。

"""
textract的使用
"""
import textract


def file2text(file_path, encodings="utf-8", lang="chi_sim"):
    """
    :function: 识别各个文件，如img、pdf、doc等转换文本内容
    :param file_path:指定文件的路径
    :param encodings: 转换出的编码格式
    :param lang: 识别的语言集
    :return: 返回转换出的文本内容
    """
    # 使用textract提取文本
    text = textract.process(file_path, encoding=encodings, language=lang)

    # 返回提取到的文本
    return text.decode('utf-8')

图片OCR

Windows下安装tesseract

1. 在官网Index of /tesseract (uni-mannheim.de)下载tesseract，下载时在选择更多语言包时记得勾选中文包
2. 配置tesseract程序的环境变量
3. 命令行输入tesseract，出现下图即安装成功

PDF OCR

1. 首先安装poppler包

poppler包是pdftotext的依赖包，在conda环境下运行下列命令即可：

conda install -c conda-forge poppler

1. 使用pip命令安装pdfminer.six包，该包在多种环境下均可一键pip安装

pip install pdfminer.six

DOCX OCR

DOCX OCR在安装textract时，已经安装了相关的ocr包