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办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Java 方法重载Overload常见误区及注意事项

《Java方法重载Overload常见误区及注意事项》Java方法重载允许同一类中同名方法通过参数类型、数量、顺序差异实现功能扩展,提升代码灵活性,核心条件为参数列表不同,不涉及返回类型、访问修饰符... 目录Java 方法重载(Overload)详解一、方法重载的核心条件二、构成方法重载的具体情况三、不构

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

SQL中如何添加数据(常见方法及示例)

《SQL中如何添加数据(常见方法及示例)》SQL全称为StructuredQueryLanguage,是一种用于管理关系数据库的标准编程语言,下面给大家介绍SQL中如何添加数据,感兴趣的朋友一起看看吧... 目录在mysql中,有多种方法可以添加数据。以下是一些常见的方法及其示例。1. 使用INSERT I

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核