OCR識別掃描版PDF文件（Python版）

• 2021 年 1 月 19 日
• AI
• Python

概述

本文基於OCR識別掃描版PDF文件（不是文字版）。若要處理文字版OCR，百度pdfminer或pdfplumder等使用即可。

依賴：

• 應用程序tesseract-ocr //digi.bib.uni-mannheim.de/tesseract/
• python庫pytesseract、pdf2image

基本思路：

• 使用pdf2image.convert_from_path將pdf文件轉化為png格式圖片；
• 通過pytesseract鏈接tesseract-ocr，使用pytesseract.image_to_string識別圖像中的文字。

掃描版PDF文字識別

Tesseract OCR實現pdf文本識別

tesseract-ocr安裝與測試

• tesseract-ocr安裝完成後，配置環境變量，即將tesseract的安裝路徑添加到『path』系統變量；
  • 配置完成後，在cmd窗口輸入tesseract -v會顯示配置成功信息。
• 識別簡體中文需要下載chi_sim.traindata字庫//github.com/tesseract-ocr/tessdata，注意，該字庫僅支持Tesseract 4.0.0及更高版本；
• 將下載好的字庫放到Tesseract-OCR安裝目錄下的tessdata文件夾里；
• cmd中進入需要識別圖片目錄，執行tesseract *.png result -l eng將圖片’*.png’的OCR結果保存至’result.txt’文件夾。
  • -l參數為OCR識別語言，默認英語eng。
• 中文的識別效果不太理想，需要自己訓練下。

python實現基於tesseract的pdf文本識別

import pytesseract
from pdf2image import convert_from_path
import os

os.chdir(os.getcwd())

def tess_ocr(fname, lang):
	# 將pdf轉換為png後，保存在dirname文件夾
	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實現pdf文本識別

由於直接使用tesseract識別效果並不理想，嘗試百度OCR。

準備

• 安裝python庫baidu-aip，pip install baidu-aip；

• 在百度智能雲創建文本識別應用，獲得’APP_ID’ 、’API_KEY’ 和’SECRET_KEY’ 字段；

  

  

• 標準版文字識別『5000次/天免費』，一般是足夠的。

  

python實現基於百度OCR的pdf文本識別

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() # 根據'PIL.PngImagePlugin.PngImageFile'對象的filename屬性讀取圖片為二進制
		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')

參考

1. Tesseract-OCR 安裝、中文識別與訓練字庫
2. pytesseract識別PDF文件中的文字（OCR）
3. python3調用百度API–ocr實現圖像/文字/驗證碼識別