Python识别PDF扫描版PDF纯图PDF,OCR提取汉字的10大方法,力推RapidOCRPDF 可识别纯图PDF 加密签名的PDF 重点是开源免费,某些方面准确度比百度OCR高

本文主要是介绍Python识别PDF扫描版PDF纯图PDF,OCR提取汉字的10大方法,力推RapidOCRPDF 可识别纯图PDF 加密签名的PDF 重点是开源免费,某些方面准确度比百度OCR高,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!

下面实例都以下面的测试样例PDF为实验对象

非纯图可复制pdf

在这里插入图片描述

纯图PDF

在这里插入图片描述

TOP1:RapidOCRPDF 可识别纯图PDF也能识别加密签名的PDF 重点是开源免费

https://github.com/RapidAI/RapidOCRPDF

# 基于rapidocr_onnxruntime
pip install rapidocr_pdf[onnxruntime]# 基于rapidocr_openvino
pip install rapidocr_pdf[openvino]

依托于RapidOCR仓库,快速提取PDF中文字,包括扫描版PDF、加密版PDF。
如果是可以直接复制的PDF,可以直接使用pdf2docx,不再重复造轮子
如果是扫描版PDF,暂时不支持版式还原,后续有空会考虑加上,日期不定。

from rapidocr_pdf import PDFExtracterpdf_extracter = PDFExtracter()pdf_path = 'example4.pdf'
texts = pdf_extracter(pdf_path)print(texts)

在这里插入图片描述

优化版,修改源码,得到位置版式

[['0', '甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程中标结果公\n(招标编号:ZJGZDL-2023-04-N02)\n一、中标人信息:\n标段(包)[001]甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程:\n中标人:绍兴建元电力集团有限公司\n中标费率:下浮3.50%\n二、其他:\n绍兴建元电力集团有限公司为中标人\n三、监督部门\n本招标项目的监督部门为绍兴电力局招投标管理中心。\n四、联系方式\n招标人:嵊州市铁路项目工程建设指挥部\n地址:绍兴嵊州市\n联系人:吕先旺\n电话:18069621508\n电子邮件:544142621@qq.com\n招标代理机构:浙江广正建设项目管理有限公司\n地址:\n浙江省绍兴市越城区阳明北路80号A楼四楼4-1\n联系人:\n高强\n电话:\n13867532448\n电子邮件:\n734201819@qq.com\n%(签名)\n招标人或其招标代理机构主要负责人(项目负)\n上海有限公公\n招标人或其招标代理机构:\n(盖章)\n正建设\n浙江', '1.0']]
import json
import warnings
from pathlib import Path
from typing import Dict, List, Tuple, Union
import filetype
import fitz
import cv2
import numpy as np
from rapidocr_onnxruntime import RapidOCR
from rapidocr_pdf import PDFExtracter, PDFExtracterErrorclass PDFExtracterABC(PDFExtracter):def __init__(self, dpi=200):super(PDFExtracterABC, self).__init__(dpi)def __call__(self, content: Union[str, Path, bytes]) -> List:try:file_type = self.which_type(content)except (FileExistsError, TypeError) as e:raise PDFExtracterError('The input content is empty.') from eif file_type != 'pdf':raise PDFExtracterError('The file type is not PDF format.')try:pdf_data = self.load_pdf(content)except PDFExtracterError as e:warnings.warn(str(e))return self.empyt_listtxts_dict, page_idxs = self.extract_texts(pdf_data)page_img_dict = self.read_pdf_with_image(pdf_data, page_idxs)ocr_res_list = self.get_ocr_res(page_img_dict)return ocr_res_listdef get_ocr_res(self, page_img_dict: Dict) -> List:ocr_res = []for k, v in page_img_dict.items():preds, _ = self.text_sys(v)if preds:i, rec_res, _ = list(zip(*preds))print(i, rec_res, _)det_list = []for m, n in zip(i, rec_res):det_dict = {'position': m,'text': n}det_list.append(det_dict)data = {'page': k,'det': det_list}ocr_res.append(data)# ocr_res[str(k)] = '\n'.join(rec_res)return ocr_respdf_extracter = PDFExtracterABC()pdf_path = 'example.pdf'
texts = pdf_extracter(pdf_path)
print(json.dumps(texts, indent=4, ensure_ascii=False))
([[234.0, 243.0], [1343.0, 245.0], [1343.0, 278.0], [234.0, 276.0]], [[550.0, 373.0], [1029.0, 373.0], [1029.0, 404.0], [550.0, 404.0]], [[236.0, 521.0], [469.0, 521.0], [469.0, 551.0], [236.0, 551.0]], [[275.0, 584.0], [1304.0, 586.0], [1304.0, 616.0], [275.0, 614.0]], [[317.0, 647.0], [765.0, 650.0], [765.0, 680.0], [317.0, 677.0]], [[854.0, 652.0], [1125.0, 652.0], [1125.0, 679.0], [854.0, 679.0]], [[231.0, 708.0], [374.0, 708.0], [374.0, 746.0], [231.0, 746.0]], [[275.0, 776.0], [722.0, 776.0], [722.0, 806.0], [275.0, 806.0]], [[230.0, 838.0], [424.0, 838.0], [424.0, 871.0], [230.0, 871.0]], [[274.0, 904.0], [932.0, 905.0], [932.0, 935.0], [274.0, 934.0]], [[231.0, 965.0], [426.0, 965.0], [426.0, 998.0], [231.0, 998.0]], [[272.0, 1031.0], [808.0, 1031.0], [808.0, 1060.0], [272.0, 1060.0]], [[268.0, 1090.0], [555.0, 1090.0], [555.0, 1126.0], [268.0, 1126.0]], 

这篇关于Python识别PDF扫描版PDF纯图PDF,OCR提取汉字的10大方法,力推RapidOCRPDF 可识别纯图PDF 加密签名的PDF 重点是开源免费,某些方面准确度比百度OCR高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/602426

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Linux换行符的使用方法详解

《Linux换行符的使用方法详解》本文介绍了Linux中常用的换行符LF及其在文件中的表示,展示了如何使用sed命令替换换行符,并列举了与换行符处理相关的Linux命令,通过代码讲解的非常详细,需要的... 目录简介检测文件中的换行符使用 cat -A 查看换行符使用 od -c 检查字符换行符格式转换将

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

详解C#如何提取PDF文档中的图片

《详解C#如何提取PDF文档中的图片》提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使用,下面我们就来看看如何使用C#通过代码从PDF文档中提取图片吧... 当 PDF 文件中包含有价值的图片,如艺术画作、设计素材、报告图表等,提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使