python ocr 识别中文pdf_pytesseract识别PDF文件中的文字（OCR）

前言：由于要利用一些比较老的文献中的数据，手工输入费时费力，于是乎找到了下面的方法。如果不差钱可以使用Adobe Acrobat Reader中的文字识别，也可以尝试其中的试用版。下面的方法完全室开源免费的方式。

1. 准备工作：安装程序、软件包、配置环境变量

平台：win10, python 3.7.3, spyder3.3.3

安装软件包(用conda)：pdf2image, pytesseract, numpy

配置环境变量：安装完tesseract后将其安装路径添加到path环境变量。方法自己搜

2. 过程简介

(1) 用pdf2image中的convert_from_path将pdf文件转化为ppm文件(图片)

(2)用numpy.array将ppm文件转化为三维矩阵

(3) 用pytesseract.image_to_string识别图像矩阵中的文字

(4)输出文本信息，并进行校对，可以借助word等软件进行拼写检测

3. 实操

代码如下

import numpy as np

import pytesseract

from pdf2image import convert_from_path

def pdf_ocr(fname, **kwargs):

images = convert_from_path(fname, **kwargs)

text = ''

for img in images:

img = np.array(img)

text += pytesseract.image_to_string(img)

return text

fname = 'example.pdf'

# text = pdf_ocr(fname, first_page=7, last_page=8)

text = pdf_ocr(fname)

print(text)

4. 参考资料

吐槽一下知乎：发表文章时只有两个选项：1. 虚构；2. 不声明原创。

有时候明明时原创，而且不是虚构。要想声明原创就必须选则虚构——瞎编的。难道原创的都是瞎编的吗？

python ocr 识别中文pdf_pytesseract识别PDF文件中的文字（OCR）相关推荐

pdf exe如何提取pdf文件_python应用：如何用python提取pdf文件中的文字
从pdf中提取文字,相信很多人都干过这事,怎么在python中实现呢,今天带大家看看. 第一步导入库 import PyPDF2 第二步导入pdf文件 pdf_file =open('dataset/ ...
vscode中打开pdf文件_提取pdf文件中的文字
环境说明 windows10系统 python3.6版本安装网上很多说需要安装pdfminer3k和pdfminer3k.six,我尝试了先安装pdfminer3k后安装pdfminer3k.si ...
怎么修改PDF文件中的文字
怎么修改PDF文件中的文字最初PDF只被看作是一种页面预览格式,而不是生产格式.然而市场的感觉并非如此,市场期望转化了这种格式的焦点,从而也改变了该产品.各种各样的电子书阅读器充斥着国内外市场,已经 ...
PDF如何编辑，怎么编辑PDF文件中的文字
越来越多的小伙伴会私信小编询问小编关于PDF文件的修改技巧,在使用PDF文件的时候,往往是需要用到PDF编辑器的,编辑文件时,想要修改文件的内容,应该怎么去编辑呢,其实,还是很简单的,不会的小伙伴可以 ...
如何快速批量删除PDF文件中的文字 - PDF文字删除器
在日常工作中,你可能经常会发现有一些PDF文件有错误的文字需要删除,或是重要的文字不能被显示.由于PDF是一个虚拟打印的文件格式,逐一在每个PDF文件上删除这些错误文字或重要文本可能会非常麻烦和复杂. ...
怎么修改和编辑PDF文件中的文字内容
我们不论在工作和学习中都越来越多的用到PDF格式的文件,这也是令我们一个尴尬的事情.因为我们在上学的时候并没有对PDF格式的文件编辑进行过系统的学习.所以我们对于PDF编辑和修改并没有全面的了解.那难 ...
如何快速提取PDF文件中的文字？
很多人想要把PDF里的文字提取出来,却大费周章走了弯路,到处搜索"免费PDF转Word",其实单纯提取文字福昕阅读器就能实现. 操作方法首先使用福昕阅读器打开PDF文件,点击[视 ...
使用CAJViewer 提取PDF文件中的文字
使用 CAJViewer 7.2 软件,把pdf格式的文件提取出文字. 操作步骤参考:http://jingyan.baidu.com/article/d45ad148cd06e469552b800f ...
如何编辑删除修改 pdf文件中的文字
要编辑修改PDF文件一般用三种软件 ,分别是:(1)Adobe Acrobat:(2)Foxit PDF Editor:(3)文电通.现介绍用Adobe Acrobat软件编辑PDF文件的方法: 你 ...

python ocr 识别中文pdf_pytesseract识别PDF文件中的文字（OCR）

python ocr 识别中文pdf_pytesseract识别PDF文件中的文字（OCR）相关推荐

最新文章

热门文章