Python将PDF按页拆分为图片,并OCR识别为文本【windows,主要使用模块/工具包括wand、pytesseract、PIL等,附下载及安装】

本文主要是介绍Python将PDF按页拆分为图片,并OCR识别为文本【windows,主要使用模块/工具包括wand、pytesseract、PIL等,附下载及安装】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Python将PDF按页拆分为图片,并OCR识别为文本

  • 下载所需安装包并完成安装
    • 1、下载并安装tesseract-ocr
    • 2、下载并安装imagemagic
    • 3、下载并安装Ghostscript
  • PFD转成jpeg图片,并识别成文本

下载所需安装包并完成安装

1、下载并安装tesseract-ocr

链接:https://pan.baidu.com/s/1FypYuviozcC4J0_1IR6hmQ
提取码:e28y
在这里插入图片描述
双击安装,默认下一步,并在这里选择简单中文:
在这里插入图片描述
选择安装目录,并记住安装路径,因为后续安装完成之后需要设置环境变量:

在这里插入图片描述

然后一直默认完成安装即可,完成后会在安装目录下看到文件夹:
在这里插入图片描述
设置环境变量,“我的电脑”->右键,选择“属性”–>“高级系统设置”–>“环境变量”–>“系统变量”–>找到“path”后点击编辑,然后新建,将刚刚完成的安装目录添加到“path”中:
在这里插入图片描述
同时新增一条“系统变量”,如下:
在这里插入图片描述

打开cmd,输入tesseract -V查看,若显示如下则表示安装成功:
在这里插入图片描述
使用tesseract a.jpg a -l chi_sim测试一下识别效果:
在这里插入图片描述
会生成一个名为a.txt的文件,里面保存有文本信息:
在这里插入图片描述
最后,为了在python中可以使用tesseract,需要安装pytesseract包来实现对Tesseract的调用(在命令行中使用tesseract,在python脚本中使用pytesseract)。使用 pip 安装 pytesseract; Pillow ,用于加载磁盘中的图像;pyocr,tesseractPython接口中的另一个:

pip install pillow
pip install pytesseract
pip install pyocr

示例:用python调用识别图片,有直接的函数:

text=pytesseract.image_to_string(PI.open(r'E:\a.jpg'),lang='chi_sim')
print(text)

在这里插入图片描述

2、下载并安装imagemagic

链接:https://pan.baidu.com/s/1monXyx3u5EH2FIeDa3waEQ
提取码:qbac
在这里插入图片描述
双击开始安装,点击下一步,注意在这里选择添加环境变量,否则要手动添加环境变量:
在这里插入图片描述
然后跟上面安装tesseract-ocr类似一直点击下一步完成安装即可(注意,大家根据具体情况可以选择安装目录):
在这里插入图片描述
可以去环境变量中查看到安装过程中已经自动配置好了环境变量。
打开cmd,使用magick --version 查看是否安装成功:
在这里插入图片描述
如上所示,安装成功。
为了使python能够调用成功,这里需要在python中安装模块wand

pip install wand

3、下载并安装Ghostscript

imagemagic在调用的时候会使用到Ghostscript这个依赖,如果没有的话会报错。
链接:https://pan.baidu.com/s/1HqzgSczZsRjF7oCj7ENZvg
提取码:32ql
在这里插入图片描述
双击安装,选择安装路径:
在这里插入图片描述
完成安装后,需要手动配置环境变量:
在这里插入图片描述
打开cmd,使用gswin32或者gswin64查看是否安装成功,若跳出如下右边窗口则说明安装成功:
在这里插入图片描述

PFD转成jpeg图片,并识别成文本

以上所需要的模块完成安装后,准备工作完成。

下面是PFD转成jpeg图片,并识别成文本的代码:

import io
from wand.image import Image #需要提前手动安装imagemagic,可从百度云下载,手动安装Ghostscript
from PIL import Image as PI
import pyocr#pip install
import pyocr.builders
import pytesseract #pip install,需要提前手动安装tesseract,可从百度云下载#重要!如果有报错tesseract环境变量的问题,说明发现两个环境变量的设置没有起作用,因此在python中可以重新设置一下
import os
#os.environ["PATH"]  #查看在PATH中有没有tesseract相关路径,没有则添加,注意改为你的相应安装路径
os.environ["PATH"] +=  os.pathsep + 'E:\Tesseract-OCR'
#'TESSDATA_PREFIX' in os.environ  #查看是否有新增TESSDATA_PREFIX的这个环境变量,没有则添加,注意改为你的相应安装路径
os.environ['TESSDATA_PREFIX']='E:\Tesseract-OCR'#设置识别识别工具
tool = pyocr.get_available_tools()[0]
#设置使用的语言,因为我们要识别的PDF是中文的,因此这里选择chi_sim
lang = tool.get_available_languages()[0]#定义列表用于存储图像与文本
req_image = []
final_text = []#采用wand将一个PDF文件转成jpeg文件,并将PDF中所有的独立页面都转成了独立的二进制图像对象
image_pdf = Image(filename=r"C:\Users\wangrx67\Desktop\审计项目\上下家合同样例1\下家合同.pdf",resolution=300)
with image_pdf.convert('jpeg') as converted:image_jpeg=image_pdf.convert('jpeg')#converted.save(filename='converted.jpeg') #按页进行拆分,并将每一页保存为jpeg格式的图片#遍历这个大对象,并把它们加入到req_image序列中去。
for img in image_jpeg.sequence:img_page = Image(image=img)req_image.append(img_page.make_blob('jpeg'))#在图像对象req_image序列上运行OCR进行识别,按页面变成一个列表
for img in req_image:txt = tool.image_to_string(PI.open(io.BytesIO(img)),lang=lang,builder=pyocr.builders.TextBuilder())final_text.append(txt)#可以将按页的识别列表整合成一个字符串
out_text=''
for i in final_text:out_text += i
out_text=out_text.replace("\n","")  # 因为我识别的文本中有很多空格,所以我将这些特殊“/n”字符都删除
print(out_text)  #out_text即为识别出的字符串文本

最终输出如下所示:
在这里插入图片描述
当然,如果你需要将pdf拆分转存为图片,或者按页识别等等,可以对代码稍微做修改实现。

参考
https://www.jb51.net/article/89955.htm

这篇关于Python将PDF按页拆分为图片,并OCR识别为文本【windows,主要使用模块/工具包括wand、pytesseract、PIL等,附下载及安装】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/204788

相关文章

使用DeepSeek API 结合VSCode提升开发效率

《使用DeepSeekAPI结合VSCode提升开发效率》:本文主要介绍DeepSeekAPI与VisualStudioCode(VSCode)结合使用,以提升软件开发效率,具有一定的参考价值... 目录引言准备工作安装必要的 VSCode 扩展配置 DeepSeek API1. 创建 API 请求文件2.

使用TomCat,service输出台出现乱码的解决

《使用TomCat,service输出台出现乱码的解决》本文介绍了解决Tomcat服务输出台中文乱码问题的两种方法,第一种方法是修改`logging.properties`文件中的`prefix`和`... 目录使用TomCat,service输出台出现乱码问题1解决方案问题2解决方案总结使用TomCat,

解决IDEA使用springBoot创建项目,lombok标注实体类后编译无报错,但是运行时报错问题

《解决IDEA使用springBoot创建项目,lombok标注实体类后编译无报错,但是运行时报错问题》文章详细描述了在使用lombok的@Data注解标注实体类时遇到编译无误但运行时报错的问题,分析... 目录问题分析问题解决方案步骤一步骤二步骤三总结问题使用lombok注解@Data标注实体类,编译时

Java中使用Java Mail实现邮件服务功能示例

《Java中使用JavaMail实现邮件服务功能示例》:本文主要介绍Java中使用JavaMail实现邮件服务功能的相关资料,文章还提供了一个发送邮件的示例代码,包括创建参数类、邮件类和执行结... 目录前言一、历史背景二编程、pom依赖三、API说明(一)Session (会话)(二)Message编程客

C++中使用vector存储并遍历数据的基本步骤

《C++中使用vector存储并遍历数据的基本步骤》C++标准模板库(STL)提供了多种容器类型,包括顺序容器、关联容器、无序关联容器和容器适配器,每种容器都有其特定的用途和特性,:本文主要介绍C... 目录(1)容器及简要描述‌php顺序容器‌‌关联容器‌‌无序关联容器‌(基于哈希表):‌容器适配器‌:(

Python判断for循环最后一次的6种方法

《Python判断for循环最后一次的6种方法》在Python中,通常我们不会直接判断for循环是否正在执行最后一次迭代,因为Python的for循环是基于可迭代对象的,它不知道也不关心迭代的内部状态... 目录1.使用enuhttp://www.chinasem.cnmerate()和len()来判断for

C#提取PDF表单数据的实现流程

《C#提取PDF表单数据的实现流程》PDF表单是一种常见的数据收集工具,广泛应用于调查问卷、业务合同等场景,凭借出色的跨平台兼容性和标准化特点,PDF表单在各行各业中得到了广泛应用,本文将探讨如何使用... 目录引言使用工具C# 提取多个PDF表单域的数据C# 提取特定PDF表单域的数据引言PDF表单是一

使用Python实现高效的端口扫描器

《使用Python实现高效的端口扫描器》在网络安全领域,端口扫描是一项基本而重要的技能,通过端口扫描,可以发现目标主机上开放的服务和端口,这对于安全评估、渗透测试等有着不可忽视的作用,本文将介绍如何使... 目录1. 端口扫描的基本原理2. 使用python实现端口扫描2.1 安装必要的库2.2 编写端口扫

使用Python实现操作mongodb详解

《使用Python实现操作mongodb详解》这篇文章主要为大家详细介绍了使用Python实现操作mongodb的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、示例二、常用指令三、遇到的问题一、示例from pymongo import MongoClientf

SQL Server使用SELECT INTO实现表备份的代码示例

《SQLServer使用SELECTINTO实现表备份的代码示例》在数据库管理过程中,有时我们需要对表进行备份,以防数据丢失或修改错误,在SQLServer中,可以使用SELECTINT... 在数据库管理过程中,有时我们需要对表进行备份,以防数据丢失或修改错误。在 SQL Server 中,可以使用 SE