python提取图片型pdf中的文字（提取pdf扫描件文字）

news2024/11/26 15:01:07

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：
在这里插入图片描述

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：
在这里插入图片描述

找到系统变量的path，点击编辑，如图：

在这里插入图片描述

新建一个环境变量，变量的值是tesseract的安装位置，如图：
在这里插入图片描述

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：

在这里插入图片描述

在这里插入图片描述
一路点击确定即可。

下载中文包

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：
在这里插入图片描述

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：
在这里插入图片描述

在这里插入图片描述

下载完成之后，复制到tesseract安装目录下的tessdata文件夹下，如图：
在这里插入图片描述
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：

现在安装工作就完成了。

测试图片识别

测试图片如下：
在这里插入图片描述
测试代码：

import pytesseract
from PIL import Image

# （1）配置tesseract安装路径
pytesseract.pytesseract.tesseract_cmd = r'F:\tesseract\tesseract.exe'

text = pytesseract.image_to_string(Image.open(r'1-26.jpg'))
print(text)

结果如下：
在这里插入图片描述

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：
在这里插入图片描述

（2）安装其他库

pip install PyMuPDF PIL

二、正式提取图片型pdf的文字

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()