如何使用 Python 的 OCR（光学字符识别）读取 PDF 内容

Python 是当今最受欢迎的编程语言之一。我们可以用它来分析数据，但数据并非总是以所需的格式提供。在这种情况下，我们可以将文件格式从 pdf、jpg 转换为文本（.txt）格式，以便更好地分析数据。有许多库可用于执行此类任务。

我们可以使用 Python 的 PyPDF2 模块来执行将 .pdf 文件转换为文本格式的任务。使用此模块可能面临的主要缺点是编码方案。PDF 文档文件可以包含各种编码，如 Unicode、ASCII、UTF-8 等。因此，由于编码方案，将 PDF 文件转换为文本可能会导致数据丢失。

在本教程中，我们将学习如何通过使用“光学字符识别”方法读取 PDF 文件内容并将其存储为文本（.txt）格式。

首先，我们需要将 PDF 文档文件的页面转换为图像，然后，我们将使用 OCR 从图像中读取内容并将其存储到文本（.txt）格式的文件中。

所需模块

我们将使用给定的命令安装以下模块进行本教程的学习

• PIL：-

• pytesseract：-

• pdf2image：-

• tesseract-ocr：-

（为此，用户应拥有 Microsoft Visual C++ 14.0，可通过“Visual Studio 的生成工具”获取：https://visualstudio.microsoft.com/downloads/）

第一部分

第一部分将处理将我的 PDF 页面转换为图像文件。PDF 文件中的每个页面都将作为图像文件存储，图像的名称将存储为

第二部分

第二部分将处理识别图像文件中的文本，并将其排序到“.txt”格式的文本文件中。在这里，我们将处理图像文件以将其转换为文本内容。一旦我们有了作为字符串变量的文本，我们就可以开始处理文本（.txt）文件。例如，在许多 PFD 文件中，我们可以看到当一行完成时，最后一个单词无法完全写在同一行上，此时会添加一个连字符，然后将单词继续到下一行。例如

对于这类单词，我们将进行基本预处理，将连字符和下一行转换为一个完整的单词。完成预处理后，此文本将排序到单独的文本文件中。

代码

输出

输入 PDF 文件

输出文本文件

正如我们所见，PDF 文件中的页面已转换为图像。然后读取了这些图像，并将其内容写入文本文件。

使用 OCR 方法的优点

• 用户可以避免基于文本的转换，这些转换可能因编码方案导致数据丢失。
• OCR 模块还可以识别 PDF 文件中的手写内容。
• 用户还可以通过使用 OCR 模块来修改仅识别 PDF 的特定页面。
• 由于文本以变量形式获取，因此可以进行大量预处理。

使用 OCR 方法的缺点

• 磁盘存储用于在本地系统上存储图像文件。但是，这些文件占用的空间非常小。
• 使用 OCR 并不能保证 100% 的准确性。而计算机生成的 PDF 文件文档可获得非常高的准确性。
• OCR 模块可以识别手写内容，但准确性取决于许多因素，例如页面的颜色、手写体的清晰度等等。

结论

在本教程中，我们讨论了如何使用 Python 中的 OCR 读取 PDF 文件内容。