python处理pdf保存为图片并识别

pdf的试卷,识别不了,先转换成图片,再识别输出

# -*- coding: utf-8 -*-
import fitz
import traceback
import datetime
import os
import glob
# 处理图片
import pytesseract
from PIL import Image

def pyMuPDF_fitz(pdfPath, imagePath, count):
    print("pdfPath=" + pdfPath)
    print("imagePath=" + imagePath)
    pdfDoc = fitz.open(pdfPath)
    for pg in range(pdfDoc.page_count):
        page = pdfDoc[pg]
        rotate = int(0)
        zoom_x = 4  
        zoom_y = 4
        mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
        rect = page.rect
        clip = fitz.Rect(rect.tl + 15, rect.br - 13)
        pix = page.get_pixmap(matrix=mat, alpha=False, clip=clip)
 
        if not os.path.exists(imagePath):  # 判断存放图片的文件夹是否存在
            os.makedirs(imagePath)  # 若图片文件夹不存在就创建
 
        pix.save(imagePath + '/' + 'images_%s.jpg' % (pg))  # 将图片写入指定的文件夹内
        print('图片名称:', 'images_%s.jpg' % (pg))
   
    
    


def read_jpg_txt(file_path):
    img = Image.open(file_path)  # 获取图片句柄
    img = img.convert("L")    # 图像转灰度
    
    # 图像二值化处理
    table = []
    for n in range(256):
        if n < 150:
            table.append(0)
        else:
            table.append(1)
    img = img.point(table, '1')
    
    # 识别图片文字
    pic_txt= pytesseract.image_to_string(img, lang='chi_sim')
    print(pic_txt)  
    return pic_txt


def deal_img(path_dir):
    # 获取目录下的所有文件和文件夹(文件夹里的内容不会去识别)
    files = os.listdir(path_dir)
    # 文件排序
    files.sort()
    data = open("F:\\ab\\exam.txt", 'a+', encoding="utf-8")

    for file in files:
        file_path = os.path.join(path_dir, file)  # 文件全路径

        if '.' not in file:  # 排除文件夹
            continue
        file_format = file.split('.')[-1]  # 获取文件格式
        # 如果是PDF文件调用pdf的方法,否则调用图片,文件识别报错添加一条报错数据
        try:
            if file_format in ('jpg', 'JPG'):
                img_txt = read_jpg_txt(file_path)
                print(img_txt, file=data)
        except Exception:
            traceback.print_exc()
            continue
    
 
if __name__ == "__main__":
    # 1、PDF地址
    pdfPath = r"F:\\ab"
    # 2、需要储存图片的目录
    imagePath = r"F:\\pic"
    # 3.文件后缀数字
    count = 1
    # 4.获取文件
    files = glob.glob(pdfPath + r'\*.pdf')
    # 5.循环调用函数进行转化
    for file in files:
        pyMuPDF_fitz(file, imagePath, count)
        count = count + 1
    # 6.处理图片
    deal_img(imagePath)

你可能感兴趣的:(python处理pdf保存为图片并识别)