如何使用Python进行PDF图片识别OCR_Python

使用场景

使用图片识别可以快速提取图片中的信息，方便高效。

Python并不能直接对PDF进行识别，所以如果是识别PDF的话，需要先将PDF转化为图片，然后再进行识别。

必备工具

Python

可以安装3.7及以上版本

tesseract-ocr

下载地址： https://github.com/UB-Mannheim/tesseract/wiki 使用最新版本即可

需要用到的库

				?

									pip install pillow

									pip install opencv-python

									pip install fitz

									pip install PyMuPDF

									pip install pytesseract

代码示例

				?

									from PIL import Image

									import os

									import pytesseract 

									import cv2 as cv

									import fitz

									def pdf_image(pdfPath,imgPath,zoom_x,zoom_y,rotation_angle):

									  # 打开PDF文件

									  pdf = fitz.open(pdfPath)

									  # 逐页读取PDF

									  for pg in range(0, pdf.pageCount):

									    page = pdf[pg]

									    # 设置缩放和旋转系数

									    trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)

									    pm = page.getPixmap(matrix=trans, alpha=False)

									    # 开始写图像

									    pm.writePNG(imgPath+str(pg)+".png")

									    #pm.writePNG(imgPath)

									  pdf.close()

									pdf_path ='D:/123.pdf'

									img_path ='D:/123.png'

									pdf_image(pdf_path,img_path,5,5,0)

									# 依赖opencv

									img=cv.imread(img_path)

									text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra')

									# 不依赖opencv写法

									# text=pytesseract.image_to_string(Image.open(img_path))

									print(text)