python实现pdf文档转换为txt格式的方法之ocr工具pytesseract详解 -威尼斯人2299

auto测试评论115字数 3260阅读模式

pytesseract介绍:

pytesseract是基于python的ocr工具, 底层使用的是google的tesseract-ocr 引擎,支持识别图片中的文字,支持jpeg, png, gif, bmp, tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。

什么是ocr?

ocr(optical character recognition,光学字符识别)是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑,可以存储大量数据,比如1g的硬盘可以存储数百万本书。

ocr可以做什么?

ocr技术可以将图片,纸质文档中的文本转换为数字形式的文本。ocr过程一般包括以下步骤:

图像预处理/文本定位/字符分割/字符识别/后处理,最初由惠普开发,后来google赞助的开源ocr引擎 tesseract 提供了比较精确的文字识别api,支持100多种语言,本文将要介绍的python库pytesseract就是基于tesseract-ocr 引擎。

环境要求:(win环境和liunx均可)

  • python 3.6
  • pil库
  • 安装google tesseract ocr
  • 系统:windows/mac/linux,我的系统是windows10

软件安装:(win环境支持)

tesseract ocr github地址:https://github.com/tesseract-ocr/tesseract

windows tesseract下载地址:https://digi.bib.uni-mannheim.de/tesseract/

mac和linux安装方法参考:https://tesseract-ocr.github.io/tessdoc/installation.html

安装时可以选择需要的语言包:

python实现pdf文档转换为txt格式的方法之ocr工具pytesseract详解-图片1

安装完成后,添加到环境变量path中,我的安装路径是:c:\program files\tesseract-ocr 。

命令行窗口输入:tesseract ,查看是否安装成功。

温馨提示:最好不要安装到c盘因为有些电脑需要管理员权限

安装pytesseract(python环境依赖)

pip安装pytesseract,python tesseract:

pip install pytesseract
程序案例:
评论后查看
原创不易此内容为****隐藏内容****评论后,刷新页面即可查看
适用场景:

想通过打印面单上面的文字是否存在,或者系统生成的pdf是否包含自己自定义的文字内容。

实现目标:

通过以上代码实现:当没有pdf路径时创建自动创建,再之前的步骤中已在路径下生成了pdf临时存在本地的指定文件夹路径下。

1.然后打开pdf,首先判断pdf中是否存在文本值,如果存在则打上标记。

2.获取pdf中所有的图片个数,然后将其按照 if pix.n - pix.alpha的方式判断是否格式可以存为png。

3.添加图片尺寸验证,防止图片过小。

4.pytesseract.image_to_string将图片转为文字,遍历所有图片将所有的文字合并返回结果。

部分调试:

(图片获取结果)

(图片转为text)

(合并输出结果)

风险通知:非原创文章均为网络投稿真实性无法判断,侵权联系
免责声明:内容来自用户上传发布或新闻客户端自媒体,切勿!切勿!切勿!添加威尼斯人2299的联系方式以免受骗。

玩技微信群
官方微信交流群
weinxin
rainbow-shownow
玩技公众号
官方微信公众号
weinxin
playezu
 

发表评论

匿名网友
确定