Python | 使用 OCR(光学字符识别)读取 PDF 的内容

在很多情况下，我们需要将 PDF 文档中的文字内容提取出来进行处理，此时 OCR(光学字符识别) 就是一种很好的方式。本文将介绍如何使用 Python 中的 PyPDF2 和 pytesseract 库，对 PDF 文档进行 OCR 处理。

PyPDF2 简介

PyPDF2 是一个用于处理 PDF 文件的 Python 库。它可以用于合并、分割、裁剪、缩放和旋转 PDF，以及提取 PDF 中的文本和元数据(如标题、主题、作者和关键字)。

pytesseract 简介

pytesseract 是一个 Python 的 OCR 库，它可以识别各种格式的图像中的文本，并将其转换为机器可读的文本形式。

准备工作和安装

在进行 OCR 处理之前，我们需要做一些准备工作。首先需要安装 PyPDF2 和 pytesseract 库。可以使用以下命令进行安装：

pip install PyPDF2
pip install pytesseract

此外，我们还需要安装 Tesseract。它是 Google 开发的一个 OCR 引擎，可以识别各种语言的文本。

读取 PDF 中的文本

下面是读取 PDF 中的文本的代码片段：

import PyPDF2

pdf_file = open('example.pdf', 'rb')

pdf_reader = PyPDF2.PdfFileReader(pdf_file)
page_count = pdf_reader.getNumPages()

for i in range(page_count):

    page = pdf_reader.getPage(i)

    text = page.extractText()

    print(text)

在上面的代码片段中，我们首先打开一个 PDF 文件，并使用 PyPDF2 提供的 PdfFileReader 类来读取其中的文本。我们可以使用 getNumPages() 方法获取 PDF 中页面总数，接下来需要使用 getPage() 方法获取页面。在获取页面后，我们使用 extractText() 方法提取文本并进行处理。最后，我们使用 print() 函数打印出文本内容。

OCR 处理 PDF 文件

下面是如何对 PDF 文件进行 OCR 处理的代码片段：

import PyPDF2
import pytesseract
from PIL import Image

pdf_file = open('example.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)
page_count = pdf_reader.getNumPages()

for i in range(page_count):
    page = pdf_reader.getPage(i)
    xObject = page['/Resources']['/XObject'].getObject()

    for obj in xObject:
        if xObject[obj]['/Subtype'] == '/Image':
            size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
            data = xObject[obj].getData()

            img = Image.frombytes('RGB', size, data)
            text = pytesseract.image_to_string(img, lang='eng')

            print(text)

在上面的代码片段中，我们首先使用 PyPDF2 库读取一个 PDF 文件，并使用 getNumPages() 方法获取总页面数。接下来，我们使用 getPage() 方法获取页面，并使用 getObject() 方法获取其中的 XObject。在获取到的 XObject 中，我们需要找到类型为 /Image 的对象。在找到这个对象之后，我们可以获取对象的大小，并使用 Pytesseract 库将其中的文本转化为可读的文本。

总结

在本文中，我们介绍了如何使用 Python 中的 PyPDF2 和 pytesseract 库对 PDF 文件进行 OCR 处理。使用 PyPDF2 库可以方便地读取 PDF 中的文本和元数据，并对 PDF 进行操作。而 pytesseract 库则可以识别各种格式的图像中的文本，这使得我们能够轻松地处理 PDF 文件中的文本。