python实现pdf文档转换为txt格式的方法之ocr工具pytesseract详解 -九游会国际娱乐

pytesseract介绍：

pytesseract是基于python的ocr工具， 底层使用的是google的tesseract-ocr 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。

什么是ocr？

ocr（optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据，比如1g的硬盘可以存储数百万本书。

ocr可以做什么？

ocr技术可以将图片，纸质文档中的文本转换为数字形式的文本。ocr过程一般包括以下步骤：

图像预处理/文本定位/字符分割/字符识别/后处理，最初由惠普开发，后来google赞助的开源ocr引擎 tesseract 提供了比较精确的文字识别api，支持100多种语言，本文将要介绍的python库pytesseract就是基于tesseract-ocr 引擎。

环境要求：（win环境和liunx均可）

• python 3.6
• pil库
• 安装google tesseract ocr
• 系统：windows/mac/linux，我的系统是windows10

软件安装：（win环境支持）

tesseract ocr github地址：https://github.com/tesseract-ocr/tesseract

windows tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/

mac和linux安装方法参考：https://tesseract-ocr.github.io/tessdoc/installation.html

安装时可以选择需要的语言包：

安装完成后，添加到环境变量path中，我的安装路径是：c:\program files\tesseract-ocr 。

命令行窗口输入：tesseract ，查看是否安装成功。

温馨提示：最好不要安装到c盘因为有些电脑需要管理员权限

安装pytesseract（python环境依赖）

pip安装pytesseract，python tesseract：

pip install pytesseract

程序案例：

适用场景：

想通过打印面单上面的文字是否存在，或者系统生成的pdf是否包含自己自定义的文字内容。

实现目标：

通过以上代码实现：当没有pdf路径时创建自动创建，再之前的步骤中已在路径下生成了pdf临时存在本地的指定文件夹路径下。

1.然后打开pdf，首先判断pdf中是否存在文本值，如果存在则打上标记。

2.获取pdf中所有的图片个数，然后将其按照 if pix.n - pix.alpha的方式判断是否格式可以存为png。

3.添加图片尺寸验证，防止图片过小。

4.pytesseract.image_to_string将图片转为文字，遍历所有图片将所有的文字合并返回结果。

部分调试：

（图片获取结果）

（图片转为text）

（合并输出结果）