使用Python進行PDF圖片識別OCR

使用場景

使用圖片識別可以快速提取圖片中的信息，方便高效。

Python並不能直接對PDF進行識別，所以如果是識別PDF的話，需要先將PDF轉化爲圖片，然後再進行識別。

必備工具

Python 

可以安裝3.7及以上版本

tesseract-ocr 

下載地址： https://github.com/UB-Mannheim/tesseract/wiki 使用最新版本即可

python 庫pip install pytesseract

pip install pillow
pip install opencv-python
pip install fitz
pip install PyMuPDF

代碼示例

from PIL import Image
import os
import pytesseract 
import cv2 as cv
import fitz

def pdf_image(pdfPath,imgPath,zoom_x,zoom_y,rotation_angle):
    # 打開PDF文件
    pdf = fitz.open(pdfPath)
    # 逐頁讀取PDF
    for pg in range(0, pdf.pageCount):
        page = pdf[pg]
        # 設置縮放和旋轉系數
        trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
        pm = page.getPixmap(matrix=trans, alpha=False)
        # 開始寫圖像
        pm.writePNG(imgPath+str(pg)+".png")
        #pm.writePNG(imgPath)
    pdf.close()
pdf_path ='D:/123.pdf'
img_path ='D:/123.png'
pdf_image(pdf_path,img_path,5,5,0)
# 依賴opencv
img=cv.imread(img_path)
text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra')
# 不依賴opencv寫法
# text=pytesseract.image_to_string(Image.open(img_path))
print(text)

總結

識別清晰的文字圖片的時候準確率非常高

但是識別手寫體的話效果不太好

注意事項

在安裝tesseract-ocr 的時候一定要記得選擇對應的語言，不然是無法正常使用的。