如何用 Python 中的 OCR 技術讀取 PDF 內容

Python 是當今世界最受歡迎的編程語言之一。我們可以用它來分析數據，但數據並不總是以所需的格式提供。在這種情況下，我們可以將文件的格式從 pdf、jpg 轉換為文本(。txt)格式，以便以更好的方式分析數據。有許多庫可用於執行此類任務。

我們可以使用 Python 的 PyPDF2 模塊來執行轉換。pdf 文件轉換為文本格式。使用該模塊時，我們面臨的主要缺點是編碼方案。PDF 文檔文件可以包含多種編碼，如 Unicode、ASCII、UTF-8 等。因此，將 PDF 文件轉換為文本可能會因為編碼模式而導致數據丟失。

在本教程中，我們將學習如何讀取 PDF 文件的內容並將其存儲在文本文件中。txt)格式，採用“OCR”方法。

首先，我們必須將 PDF 文檔文件的頁面轉換成圖像，然後，我們將使用 OCR 從圖像中讀取內容並將其存儲在文本中()。txt)格式文件。

所需模塊:

在本教程中，我們必須使用給定的命令安裝以下模塊:

電池:


!pip3 install PIL

中小企業:-


!pip3 install pytesseract

pdf2image: –


!pip3 install pdf2image

宇宙魔方-ocr: –


!pip3 install tesseract-ocr

(為此用戶應該擁有微軟 Visual C++ 14.0，使用“Visual Studio 構建工具”獲取:https://visualstudio.microsoft.com/downloads/)

第一部分:

第一部分將處理轉換我的 PDF 頁面為圖像文件。PDF 文件的每一頁都將存儲為圖像文件，圖像的名稱將存儲為:


PDF page no. 1: page_no_1.jpg
PDF page no. 2: page_no_2.jpg
PDF page no. 3: page_no_3.jpg
PDF page no. 4: page_no_4.jpg
.
.
PDF page no. n: page_no_n.jpg

第二部分:

第二部分將處理從圖像文件中識別文本，將其分類到文本文件中。txt”格式。在這裡，我們將處理圖像文件，將其轉換為文本內容。一旦我們將文本作為字符串變量，我們就可以開始處理文本了。txt)文件。比如，在很多 PFD 文件中，我們可以看到，當一行完整，但最後一個字不能完全寫在同一行，那麼，在最後加一個連字符，這個字就延續到下一行。例如:


This is an example to show the above explanation of the wo-
rd which cannot be written entirely in the same line and is conti-
nued in the next line.

對於這樣的單詞，我們將做一個基本的預處理，將連字符和下面的行轉換成一個完整的單詞。當我們完成預處理後，這些文本將被分類到一個單獨的文本文件中。

代碼:


from PIL import Image as img
import pytesseract as PT
import sys
from pdf2image import convert_from_path as CFP
import os
# Importing the pdf file
PDF_file_1 = "exp.pdf"
pages_1 = CFP(PDF_file1, 9)

# Now, we will create a counter for storing images of each page of PDF to image
image_counter1 = 1

# Iterating through all the pages of the pdf file stored above
for page in pages_1:

    # We will Declare the  filename for each page of PDF file as JPG file
    # For each page, the filename will be:
    # PDF page no. 1: Page_no_1.jpg
    # PDF page no.2: Page_no_2.jpg
    # PDF page no. 3: Page_no_3.jpg
    # PDF page no. 4: Page_no_4.jpg
    # .... and so on..
    # PDF page n: page_n.jpg
    filename1 = "Page_no_" + str(image_counter) + " .jpg"

    # Now, we will save the image of the page in system
    page.save(filename1, 'JPEG')

    # Then, we will increase the counter for updating filenames
    image_counter1 = image_counter1 + 1

'''
Part #2 - Recognize the text content from the image files by using OCR
'''
# Variable for getting the count of the total number of pages
filelimit1 = image_counter1 - 1

# then, we will create a text file for writing the output
out_file1 = "output_text.txt"

# Now, we will open the output file in append mode so that all contents of the # images will be added in the same output file.
f_1 = open(out_file1, "a")

# Iterating from 1 to total number of pages
for K in range(1, filelimit1 + 1):

    # Now, we will set filename for recognizing text from images
    # Again, these files will be:
    # Page_no_1.jpg
    # Page_no_2.jpg
    # Page_no_3.jpg
    # ....
    # page_no_n.jpg
    filename1 = "Page_no_" + str(K) + " .jpg"

    # Here, we will write a code for recognizing the text as a string variable in an image file by using the pytesserct module
    text1 = str(((PT.image_to_string (Image.open (filename1)))))

    # : The recognized text will be stored in variable text
    # : Any string variable processing may be applied to text content
    # : Here, basic formatting will be done:-

    text1 = text1.replace('-\n', '')    

    # At last, we will write the processed text into the file.
    f_1.write(text1)

# Closing the file after writing all the text content.
f_1.close()

輸出:

輸入 PDF 文件:

輸出文本文件:

我們可以看到，PDF 文件的頁面是如何轉換成圖像的。然後這些圖像被讀取，它們的內容被寫入文本文件。

使用 OCR 方法的優點:

用戶可以避免基於文本的轉換，這種轉換會因編碼方案而導致數據丟失。
OCR 模塊還可以識別 PDF 文件中的手寫內容。
用戶還可以通過使用 OCR 模塊來修改僅識別 PDF 的特定頁面。
預處理可以大量完成，因為它以可變的形式獲得文本。

使用 OCR 方法的缺點:

磁盤存儲器用於在本地系統中存儲圖像文件。但是，這些文件佔用的空間很少。
OCR 的使用不能保證 100%的準確性。而在計算機上創建的 PDF 文件文檔具有很高的準確性。
OCR 模塊可以識別手寫內容，但準確性取決於許多因素，如頁面的顏色、筆跡的清晰度等。

結論

在本教程中，我們討論了如何使用 Python 中的 OCR 來讀取 PDF 文件的內容。

原創文章，作者：小藍，如若轉載，請註明出處：https://www.506064.com/zh-hant/n/239071.html