标签：OCR python 31 pytesseract path pdf Tesseract png
(1)Python图像处理之图片文字识别（OCR）
(2)windows下用Python把pdf文件转化为图片
1 OCR与Tesseract
1.1 Tesseract的简介
一、OCR
将图片翻译成文字一般被称为光学文字识别(Optical Character Recognition，OCR)。可以实现OCR 的底层库并不多，目前很多库都是使用共同的几个底层OCR 库，或者是在上面进行定制。
二、Tesseract
Tesseract是一个OCR库，目前由Google赞助(Google也是一家以OCR和机器学习技术闻名于世的公司)。Tesseract是目前公认最优秀、最精确的开源OCR系统。
除了极高的精确度，Tesseract也具有很高的灵活性。它可以通过训练识别出任何字体(只要这些字体的风格保持不变就可以)，也可以识别出任何Unicode字符。
用Tesseract可以识别格式规范的文字，主要具有以下特点：
(1)使用一个标准字体(不包含手写体、草书，或十分“花哨的”字体)。
(2)虽然被复印或拍照，字体还是很清晰，没有多余的痕迹或污点。
(3)排列整齐，没有歪歪斜斜的字。
(4)没有超出图片范围，也没有残缺不全，或紧紧贴在图片的边缘。
1.2 Tesseract的安装
Tesseract的Windows安装包下载地址
下载后双击直接安装即可。
安装目录C:\Program Files\Tesseract-OCR。
安装完后，需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示以下界面，则表示Tesseract安装完成且添加到系统变量中。
1.3 Tesseract的使用
1.3.1 识别英文图片
tesseract xxx.png results.txt
1.3.2 识别中文图片
识别简体中文，需要事先安装简体中文语言包，下载地址为：
简体中文语言包下载地址，右键下载即可。
再将chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目录下。
tesseract xxx.png results.txt -l chi_sim
1.4 pytesseract的使用
pytesseract是Tesseract关于Python的接口，可以使用pip install pytesseract安装。安装完后，就可以使用Python调用Tesseract了，不过，还需要一个Python的图片处理模块，可以安装pillow。
import pytesseract
from PIL import Image
cmd_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
image_path = r'C:\Users\user\Desktop\2.png'
pytesseract.pytesseract.tesseract_cmd = cmd_path
text = pytesseract.image_to_string(Image.open(image_path),lang="chi_sim")
# 去掉字符串中的所有空格和换行符
text = text.replace(" ", "").replace("\n","")
print(text)
2 提取pdf中的文字
2.1 pdf文件转化为图片
安装库 pip install pymupdf。
# -*- coding: utf-8 -*-
import os
import fitz
pdf = r"C:\Users\user\Desktop\大型网站技术架构.pdf"
doc = fitz.open(pdf)
pdf_name = os.path.splitext(pdf)[0]
print(pdf_name)
print(doc.pageCount)
i = 0
png_dir = r"C:\Users\user\Desktop\mytest"
for pg in range(doc.pageCount):
i = i + 1
png_name = str(i)+".png"
print(i)
png_path = os.path.join(png_dir, png_name)
page = doc[pg]
rotate = int(0)
# 每个尺寸的缩放系数为2，这将为我们生成分辨率提高四倍的图像。
zoom_x = 2.0
zoom_y = 2.0
trans = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
pm = page.get_pixmap(matrix=trans, alpha=False)
pm.save(png_path)
2.2 批量提取图片文字
import pytesseract
from PIL import Image
import os
cmd_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
def image2txt(png_path):
pytesseract.pytesseract.tesseract_cmd = cmd_path
text = pytesseract.image_to_string(Image.open(png_path),lang="chi_sim")
# 去掉字符串中的所有空格和换行符
text = text.replace(" ", "").replace("\n","")
return text
png_dir = r"C:\Users\user\Desktop\mytest"
num = len(os.listdir(png_dir))
filename = "results.txt"
for i in range(num):
i = i+1
png_name = str(i) + ".png"
png_path = os.path.join(png_dir, png_name)
re = image2txt(png_path)
with open(filename,"a+",encoding="utf8") as fw:
fw.write(str(i)+re+"\n")
print(i,re)
3 获取PDF文档目录(纲要)
pip install pdfplumber
pip install pymupdf
#-*- coding: utf-8 -*-
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
# 获得目录(纲要)
# 打开一个pdf文件
fp = open(r"C:\Users\user\Desktop\大型网站技术架构.pdf", 'rb')
parser = PDFParser(fp)
document = PDFDocument(parser)
# 获得文档的目录(纲要)
outlines = document.get_outlines()
for (level,title,dest,a,se) in outlines:
print(level, title)
标签：OCR,python,31,pytesseract,path,pdf,Tesseract,png 来源： https://blog.csdn.net/qq_20466211/article/details/122180777
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。