网站上海备案,佛山网站seo哪家好,wordpress 调用侧边栏,百度竞价ocpc投放策略解析PDF文件中的图片为文本
1 介绍
解析PDF文件中的图片#xff0c;由两种思路#xff0c;一种是自己读取PDF文件中的图片#xff0c;然后用OCR解析#xff0c;例如#xff1a;使用PyMuPDF读取pdf文件#xff0c;再用PaddleOCR或者Tesseract-OCR识别文字。另一种使用第…解析PDF文件中的图片为文本
1 介绍
解析PDF文件中的图片由两种思路一种是自己读取PDF文件中的图片然后用OCR解析例如使用PyMuPDF读取pdf文件再用PaddleOCR或者Tesseract-OCR识别文字。另一种使用第三方框架直接读取文字例如OCRmyPDF。
读取pdf的包PyMuPDF可以获取PDF中的文本、布局和图片等并且内嵌了Tesseract-OCR需要独立安装Tesseract项目的tessdata有兴趣可以试试。
# 开发文档
https://pymupdf.readthedocs.io/en/latest/# Github地址
https://github.com/pymupdf/PyMuPDF此外PDF转word用的pdf2docx就用到了PyMuPDF、生成word部分使用的是python-docx
# pdf2docx包
https://github.com/ArtifexSoftware/pdf2docxOCRmyPDF是基于Tesseract-OCR框架使用Python实现的开源项目主要解决扫描版的PDF文本识别可以实现扫描版本的文件查询和解析。
# GitHub地址
https://github.com/ocrmypdf/OCRmyPDF# 开发文档
https://ocrmypdf.readthedocs.io/en/latest/index.html2 安装环境
本文使用PyMuPDF和PaddleOCR识别pdf文件中的OCR。
# 安装PyMuPDF
pip install PyMuPDF -i https://pypi.tuna.tsinghua.edu.cn/simple# 安装paddlepaddle我用的是cpu版本
pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple# 安装paddleocr注意版本问题
# 使用Python时如果出现“NameError: name predict_system is not defined”错误请设置版本我用的是2.7.2
pip install paddleocr -i https://mirror.baidu.com/pypi/simple# PaddleOCR模型下载地址
https://github.com/PaddlePaddle/PaddleOCR/blob/main/doc/doc_ch/models_list.md3 源代码
import pymupdffrom paddleocr import PaddleOCRdef parse_img_2_text(img_path: str):# use_gpuFalse不用gpu默认使用GPU# use_angle_clsTrue自动下载相关的包# langch设置语言支持中英文、英文、法语、德语、韩语、日语参数依次为ch, en, french, german, korean, japan。# 离线使用时设置模型的目录det_model_dir、rec_model_dir、cls_model_dir第一次联网模型会自动下载到model目录下ocr_model PaddleOCR(use_gpuFalse,use_angle_clsTrue,det_model_dir./model/ch_PP-OCRv4_det_infer/,rec_model_dir./model/ch_PP-OCRv4_rec_infer/,cls_model_dir./model/ch_ppocr_mobile_v2.0_cls_infer/)# 识别图片result ocr_model.ocr(img_path, clsTrue)for idx in range(len(result)):res result[idx]# line是一个列表 [[文本框的位置],(文字,置信度)] for line in res:print(line)def parse_text(pdf_path: str):# 读取pdf文件doc pymupdf.open(pdf_path)# 读取pdf中的页for page in doc:# 读取纯文本text page.get_textpage().extractText()# 转化为UTF-8text text.encode(gbk, errorsignore).decode(utf-8, errorsignore)print(text)def parse_pdf_2_img(pdf_path: str):# 读取pdf文件doc pymupdf.open(pdf_path)# 读取pdf中的页for page in doc:# 读取图片dpi可以调节图片的清晰度page_pix page.get_pixmap(dpi256)page_pix.save(E:/test/img/page-%i.png % page.number)pdf_path_temp E:/test/test.pdf
# parse_text(pdf_path_temp)parse_pdf_2_img(pdf_path_temp)
parse_img_2_text(E:/test/img/page-0.png)
执行截图
