基于基于Python实现对实现对PDF文件的文件的OCR识别识别
大家可能听说过使用Python进行OCR识别操作。在Python中，最出名的库便是Google所资助的tesseract。利用
tesseract可以很轻松地对图像进行识别。现在问题来了，如果想对一个PDF文档进行OCR识别，该怎么做呢？
下面一起来看看。
最近在做一个项目的时候，需要将PDF文件作为输入，从中输出文本，然后将文本存入数据库中。为此，我找寻了很久的解决
方案，最终才确定使用tesseract。所以不要浪费时间了，我们开始吧。
1.安装安装tesseract
在不同的系统中安装tesseract非常容易。为了简便，我们以Ubuntu为例。
在Ubuntu中你仅仅需要运行以下命令:
这将会安装支持3种不同语言的tesseract。
2.安装安装PyOCR
现在我们还需要安装tesseract的Python接口。幸运的是，有许多出色的Python接口。
我们采用最新的一个：
3.安装安装Wand和和PIL
在我们开始之前，还需要另外安装两个依赖包。一个是Wand。它是Imagemagick的Python接口。
我们需要使用它来将PDF文件转换成图像：
我们也需要PIL因为PyOCR需要使用它。你可以查看官方文档以确定如何将PIL安装到你的操作系统中。
4.热身热身
让我们开始我们的脚本吧。首先，我们需要导入一些重要的库：
注意：注意：我将从PIL导入的Image模块改名为PI了，因为如果不这样做的话，它将和wand.image模块发生重名冲突。
5.开始开始
现在我们需要获得OCR库库（在本例中，即tesseract）的句柄以及我们在PyOCR中将使用的语言：
我们使用tool.get_available_languages里的第二种语言，因为之前我曾尝试过，第二种语言就是英语。
接着，我们需要建立两个列表，用于存储我们的图像和最终的文本。
下一步，我们需要采用wand将一个PDF文件转成jpeg文件。让我们试一试吧！
注意：注意：将PDF_FILE_NAME替换成当前路径下的一个可用的PDF文件名。
评论0
最新资源