python提取图片型pdf中的文字（提取pdf扫描件文字） |
您所在的位置：网站首页 › 怎样提取pdf里的文字内容图片 › python提取图片型pdf中的文字（提取pdf扫描件文字） |
python提取图片型pdf中的文字（提取pdf扫描件文字）
|
前言
文字型pdf提取，python的库一大堆，但是图片型pdf和pdf扫描件提取，还是有些难度的，我们需要用到OCR（光学字符识别）功能。 一、准备 1、安装OCR（光学字符识别）支持库首先要安装pytesseract和Tesserac OCR，Tesseract OCR是一种广泛使用的OCR工具，它可以用于从图像中提取文字。Tesseract OCR具有较高的识别精度和速度，同时支持多种语言。在Python中，可以使用pytesseract库来调用Tesseract OCR。 （1）安装pytesseract库： pip install pytesseract （2）安装Tesseract OCR程序 下载安装github下载地址：https://github.com/tesseract-ocr/tesseract 国内下载地址：https://digi.bib.uni-mannheim.de/tesseract/ 如果要识别中文的话，要安装3.0以上的版本，我这里以国内下载地址为例，下载5.0版本，如图： 下载完成之后，双击打开，一路next即可，自己选择好安装位置，后面要配置环境变量的。 配置环境变量我的安装位置如图： 找到系统变量的path，点击编辑，如图：
新建一个环境变量，变量的值是tesseract的安装位置，如图： 点击确定之后，在系统变量界面，点击新建，新建一个系统变量，名称为TESSDATA_PREFIX，值为安装目录下的tessdata目录位置，如图：
软件默认使用的是英文包，只能识别英文，我们现在下载配置中文包，下载地址： github：https://github.com/tesseract-ocr/tessdata gitcode（国内）：https://gitcode.com/mirrors/tesseract-ocr/tessdata/tree/main?utm_source=csdn_github_accelerator&isLogin=1 建议选择国内地址，下载速度比较快，我们下载五个包，分别是：eng.traineddata、chi_sim.traineddata、chi_sim_vert.traineddata、chi_tra.traineddata、chi_tra_vert.traineddata，如图： 第一个是英文包，后面四个是中文包，sim开头是简体，tra开头是繁体，点击进去，点击右侧的下载，将五个包下载下来，如图：
下载完成之后，复制到tesseract安装目录下的tessdata文件夹下，如图： 现在安装工作就完成了。 测试图片识别测试图片如下： 结果如下： 如果我们不想每次代码都去配置tesseract的安装路径的话，可以直接在源文件里面修改，我们找到如图的文件，将框出来的地方修改成安装路径即可： 代码如下： # -*- coding: UTF-8 -*- """ @Date :2023/12/17 """ import fitz import pytesseract from PIL import Image import io # （1）配置tesseract安装路径 pytesseract.pytesseract.tesseract_cmd = r'F:\tesseract\tesseract.exe' # （2）打开pdf文件 pdf_file = fitz.open(r'一户一宅.pdf') # （3）遍历pdf的每一页 for page_num in range(len(pdf_file)): # 获取页面 page = pdf_file[page_num] # 提取页面上的图像 image_list = page.get_images(full=True) for image_index, img in enumerate(image_list): # 提取图像 xref = img[0] base_image = pdf_file.extract_image(xref) image_bytes = base_image["image"] # 将字节转换为PIL图像 image = Image.open(io.BytesIO(image_bytes)) # 使用pytesseract对图像进行ocr text = pytesseract.image_to_string(image, lang='chi_sim') # 打印结果 print(f"Page {page_num + 1}, Image {image_index + 1}:") print(text) # 关闭pdf文件 pdf_file.close()结果如下： 需要注意的是，Tesseract OCR对于一些复杂或低质量的图像可能识别效果不佳。 提示对于文字型pdf的提取，可以看这几篇文章： https://blog.csdn.net/weixin_43856625/article/details/134705266 https://www.jianshu.com/p/8fbb662bd6f7 https://blog.csdn.net/Achernar0208/article/details/129199937 |
一路点击确定即可。
在命令行输入tesseract -v，显示tesseract的版本号，就表示安装完成了，如图： 
测试代码：
【本文地址】
今日新闻 |
推荐新闻 |