怎么在Python中利用OCR對PDF圖片進行識別

本篇文章給大家分享的是有關怎么在Python中利用OCR對PDF圖片進行識別，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

使用場景

使用圖片識別可以快速提取圖片中的信息，方便高效。

Python并不能直接對PDF進行識別，所以如果是識別PDF的話，需要先將PDF轉化為圖片，然后再進行識別。

必備工具

• Python 
  

可以安裝3.7及以上版本

• tesseract-ocr 
  

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

• 需要用到的庫

pip install pillow
pip install opencv-python
pip install fitz
pip install PyMuPDF
pip install pytesseract

代碼示例

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):
  # 打開PDF文件
  pdf = fitz.open(pdfPath)
  # 逐頁讀取PDF
  for pg in range(0, pdf.pageCount):
    page = pdf[pg]
    # 設置縮放和旋轉系數
    trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
    pm = page.getPixmap(matrix=trans, alpha=False)
    # 開始寫圖像
    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)
# 依賴opencv
img=cv.imread(img_path)
text=pytesseract.image_to_string(Image.fromarray(img),lang='chi_tra')
# 不依賴opencv寫法
# text=pytesseract.image_to_string(Image.open(img_path))
print(text)

以上就是怎么在Python中利用OCR對PDF圖片進行識別，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。