Python|使用 OCR（光学字符识别）读取 PDF 的内容

Python广泛用于分析数据，但数据不必总是采用所需的格式。在这种情况下，我们会将该格式（如 PDF 或 JPG 等）转换为文本格式，以便更好地分析数据。 Python提供了许多库来完成这项任务。

有几种方法可以做到这一点，包括在Python中使用 PyPDF2 等库。使用这些库的主要缺点是编码方案。 PDF 文档可以有多种编码，包括 UTF-8、ASCII、Unicode 等。因此，将 PDF 转换为文本可能会由于编码方案而导致数据丢失。

让我们看看如何读取 PDF 文件的所有内容并使用 OCR 将其存储在文本文档中。

首先，我们需要将 PDF 的页面转换为图像，然后使用 OCR（光学字符识别）从图像中读取内容并将其存储在文本文件中。

所需安装：

pip3 install PIL
pip3 install pytesseract
pip3 install pdf2image
sudo apt-get install tesseract-ocr

该程序有两个部分。

第 1 部分处理将 PDF 转换为图像文件。 PDF 的每一页都存储为一个图像文件。存储的图像名称为：
PDF 第 1 页 -> page_1.jpg
PDF 第 2 页 -> page_2.jpg
PDF 第 3 页 -> page_3.jpg
……
PDF 页 n -> page_n.jpg

第 2 部分处理从图像文件中识别文本并将其存储到文本文件中。在这里，我们处理图像并将其转换为文本。一旦我们将文本作为字符串变量，我们就可以对文本进行任何处理。例如，在许多 PDF 中，当一行完成，但特定单词不能完全写在同一行中时，会添加连字符 ('-')，并在下一行继续该单词。例如 -

This is some sample text but this parti-
cular word could not be written in the same line.

现在对于这样的单词，进行基本的预处理以将连字符和新行转换为完整的单词。完成所有预处理后，此文本将存储在单独的文本文件中。

要获取代码中使用的输入 PDF 文件，请单击 d.pdf

下面是实现：

# Import libraries
from PIL import Image
import pytesseract
import sys
from pdf2image import convert_from_path
import os
  
# Path of the pdf
PDF_file = "d.pdf"
  
'''
Part #1 : Converting PDF to images
'''
  
# Store all the pages of the PDF in a variable
pages = convert_from_path(PDF_file, 500)
  
# Counter to store images of each page of PDF to image
image_counter = 1
  
# Iterate through all the pages stored above
for page in pages:
  
    # Declaring filename for each page of PDF as JPG
    # For each page, filename will be:
    # PDF page 1 -> page_1.jpg
    # PDF page 2 -> page_2.jpg
    # PDF page 3 -> page_3.jpg
    # ....
    # PDF page n -> page_n.jpg
    filename = "page_"+str(image_counter)+".jpg"
      
    # Save the image of the page in system
    page.save(filename, 'JPEG')
  
    # Increment the counter to update filename
    image_counter = image_counter + 1
  
'''
Part #2 - Recognizing text from the images using OCR
'''
    3
# Variable to get count of total number of pages
filelimit = image_counter-1
  
# Creating a text file to write the output
outfile = "out_text.txt"
  
# Open the file in append mode so that 
# All contents of all images are added to the same file
f = open(outfile, "a")
  
# Iterate from 1 to total number of pages
for i in range(1, filelimit + 1):
  
    # Set filename to recognize text from
    # Again, these files will be:
    # page_1.jpg
    # page_2.jpg
    # ....
    # page_n.jpg
    filename = "page_"+str(i)+".jpg"
          
    # Recognize the text as string in image using pytesserct
    text = str(((pytesseract.image_to_string(Image.open(filename)))))
  
    # The recognized text is stored in variable text
    # Any string processing may be applied on text
    # Here, basic formatting has been done:
    # In many PDFs, at line ending, if a word can't
    # be written fully, a 'hyphen' is added.
    # The rest of the word is written in the next line
    # Eg: This is a sample text this word here GeeksF-
    # orGeeks is half on first line, remaining on next.
    # To remove this, we replace every '-\n' to ''.
    text = text.replace('-\n', '')    
  
    # Finally, write the processed text to the file.
    f.write(text)
  
# Close the file after writing all the text.
f.close()

输出：

输入PDF文件：

输出文本文件：

如我们所见，PDF 的页面被转换为图像。然后读取图像，并将内容写入文本文件。

这种方法的优点包括：

1. 由于编码方案导致数据丢失，因此避免基于文本的转换。
2. 由于使用了 OCR，甚至可以识别 PDF 中的手写内容。
3. 也可以仅识别 PDF 的特定页面。
4. 将文本作为变量获取，以便可以完成任何所需的预处理。

这种方法的缺点包括：

1. 磁盘存储用于将图像存储在本地系统中。尽管这些图像尺寸很小。
2. 使用 OCR 不能保证 100% 的准确性。给定计算机键入的 PDF 文档会产生非常高的准确性。
3. 手写的 PDF 仍然可以识别，但准确度取决于各种因素，例如笔迹、页面颜色等。