Python 识别图片和扫描PDF中的文字

news2025/2/12 15:57:46

工具与设置

Python 识别图片中的文字

Python 识别图片中的文字及其坐标位置

Python 识别扫描PDF中的文字

注意事项

在处理扫描的PDF和图片时，文字信息往往无法直接编辑、搜索或复制，这给信息提取和分析带来了诸多不便。手动录入信息不仅耗时费力，还容易出错。光学字符识别（OCR）技术能够将图片中的文字转换为可编辑文本，使信息提取和处理更加高效。如今，OCR已广泛应用于扫描文件的转换、数字化文档的整理、以及自动化数据输入等领域。本文将介绍如何使用Python及相关OCR库，实现对图片和扫描PDF中文字的识别。

工具与设置

要在Python中实现从图片和扫描PDF中提取文本，我们需要选择一个适当的OCR库。本文所选择的库是Spire.OCR for Python。该库支持多种语言，包括英语、法语、德语、简体中文、繁体中文、日语、韩语等。在使用该库之前，我们需要完成以下两个步骤：

步骤1：安装Spire.OCR for Python

在终端中运行以下命令安装Spire.OCR for Python：

pip install Spire.OCR

步骤2：下载OCR模型

Spire.OCR for Python提供了支持Windows（64位）、Linux（64位）和MacOS（10.15及以上）操作系统的三种模型。我们需要根据自己的系统下载适合的模型：

Win x64
Linux x64
Mac 10.15及以上

下载完成后，将它解压并保存到特定的目录下。

完成以上两个步骤后，我们就可以使用该库实现识别图片和扫描PDF中的文字。

Python 识别图片中的文字

从图片中提取文本的过程比较简单。首先，需要配置 OCR 扫描器的相关设置（例如：文本识别语言和OCR模型的路径）；然后对图片进行扫描；最后将识别的文字保存为文本文件。

以下是从图片中提取文本的关键步骤：

初始化 OCR 扫描器：创建 OcrScanner 对象。
配置 OCR 设置：通过 OcrScanner 对象的 ConfigureDependencies 方法，设置 OCR 模型的路径和文本识别语言。
扫描图片：使用 OcrScanner 对象的 Scan() 方法，从图片中识别文本。
保存文本：获取识别出的文本并保存为文本文件。

实现代码：

from spire.ocr import *

# 初始化OcrScanner对象
scanner = OcrScanner()

# 配置OCR设置（文本识别语言和OCR模型路径）
# 支持的语言包括英语、法语、德语、日语、韩语、简体中文、繁体中文等
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'D:\OCR\win-x64'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)

# 扫描图片
scanner.Scan(r'测试.png')

# 获取识别的文本
text = scanner.Text.ToString() + '\n'

# 将文本保存到文本文件
with open('输出.txt', 'a', encoding='utf-8') as file:
file.write(text + '\n')

原始图片和识别结果：

Python 识别图片文字

Python 识别图片中的文字及其坐标位置

有时除了识别文本外，还需要获取文本在图片中的坐标位置。Spire.OCR也支持提取这些信息。

以下是从图片中识别文本并获取其坐标位置的关键步骤：

初始化OCR扫描器：创建OcrScanner对象。
配置OCR设置：通过OcrScanner对象的ConfigureDependencies方法设置OCR模型的路径和文本识别语言。
扫描图片：使用OcrScanner 对象的Scan() 方法从图片中识别文本。
获取边框坐标：遍历识别的文本中的文本块，获取每个文本块的边框信息（x, y坐标及其宽度和高度）。
保存文本和坐标：将文本及其坐标保存到文本文件中。

实现代码：

from spire.ocr import *

# 初始化OcrScanner对象
scanner = OcrScanner()

# 配置OCR设置（文本识别语言和OCR模型路径）
# 支持的语言包括英语、法语、德语、日语、韩语、简体中文、繁体中文等
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'D:\OCR\win-x64'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)

# 扫描图片
scanner.Scan(r'测试.png')

# 遍历识别的文本中的文本块，提取每个文本块的文本和坐标位置等信息
text = ''
for block in scanner.Text.Blocks:
    rectangle = block.Box
    positions = f'{block.Text} -> x: {rectangle.X}, y: {rectangle.Y}, w: {rectangle.Width}, h: {rectangle.Height}'
    text += positions + '\n'

# 将文本和坐标保存到文本文件
with open('图片文字及坐标.txt', 'a', encoding='utf-8') as file:
    file.write(text + '\n')

Python 识别扫描PDF中的文字

对于扫描的PDF文档，需先将每一页转换为图片格式。可以借助Spire.PDF for Python库来实现这一点。将PDF页面转换为图片后，即可对每张图片执行 OCR 处理。

在使用以下代码之前，请先通过以下命令安装Spire.PDF：

pip install Spire.PDF

以下是从扫描PDF中提取文本的关键步骤：

将PDF页面转换为图片：使用Spire.PDF加载扫描的PDF文档，然后使用PdfDocument.SaveAsImage()方法将文档的每一页保存为图片。
执行OCR：使用Spire.OCR识别每张图片中的文本。
保存识别的文本：将识别的文本保存到文本文件中。

实现代码：

from spire.pdf import *
from spire.ocr import *
import io

# 将PDF页面转换为图片
def convert_pdf_page_to_image(pdf, page_index):
    return pdf.SaveAsImage(page_index)

# 从图片中识别文本
def recognize_text_from_image(imgName, language, model_path):
    # 初始化OCR扫描器并配置OCR模型的路径和文本识别语言
    scanner = OcrScanner()
    configure_options = ConfigureOptions()
    configure_options.Language = language
    configure_options.ModelPath = model_path
    scanner.ConfigureDependencies(configure_options)

    # 执行OCR并返回识别的文本
    scanner.Scan(imgName)
    data = scanner.Text.ToString()
    return data

# 加载扫描PDF文档
pdf = PdfDocument()
pdf.LoadFromFile('扫描.pdf')

# 创建文本文件以保存提取的文本
with open('扫描PDF.txt', 'a', encoding='utf-8') as writer:
    for page_index in range(pdf.Pages.Count):
        # 将PDF页面转换为图片
        image = convert_pdf_page_to_image(pdf, page_index)
        imgName="toImage_"+str(page_index)+".png"
        image.Save(imgName)

        # 从图片中识别文本
        recognized_text = recognize_text_from_image(imgName, 'Chinese', r'D:\OCR\win-x64')

        # 将识别的文本写入文本文件
        writer.write(f'Page {page_index + 1}:\n')
        writer.write(recognized_text)
        writer.write('\n\n')  # 在页面之间添加两个换行符

print('文本已成功保存到"扫描PDF.txt"。')