(1)Python图像处理之图片文字识别(OCR)
(2)windows下用Python把pdf文件转化为图片
一、OCR
将图片翻译成文字一般被称为光学文字识别(Optical Character Recognition,OCR)。可以实现OCR 的底层库并不多,目前很多库都是使用共同的几个底层OCR 库,或者是在上面进行定制。
二、Tesseract
Tesseract是一个OCR库,目前由Google赞助(Google也是一家以OCR和机器学习技术闻名于世的公司)。Tesseract是目前公认最优秀、最精确的开源OCR系统。
除了极高的精确度,Tesseract也具有很高的灵活性。它可以通过训练识别出任何字体(只要这些字体的风格保持不变就可以),也可以识别出任何Unicode字符。
用Tesseract可以识别格式规范的文字,主要具有以下特点:
(1)使用一个标准字体(不包含手写体、草书,或十分“花哨的”字体)。
(2)虽然被复印或拍照,字体还是很清晰,没有多余的痕迹或污点。
(3)排列整齐,没有歪歪斜斜的字。
(4)没有超出图片范围,也没有残缺不全,或紧紧贴在图片的边缘。
Tesseract的Windows安装包下载地址
下载后双击直接安装即可。
安装目录C:\Program Files\Tesseract-OCR。
安装完后,需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示以下界面,则表示Tesseract安装完成且添加到系统变量中。
tesseract xxx.png results.txt
识别简体中文,需要事先安装简体中文语言包,下载地址为:
简体中文语言包下载地址,右键下载即可。
再将chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目录下。
tesseract xxx.png results.txt -l chi_sim
pytesseract是Tesseract关于Python的接口,可以使用pip install pytesseract安装。安装完后,就可以使用Python调用Tesseract了,不过,还需要一个Python的图片处理模块,可以安装pillow。
import pytesseract from PIL import Image cmd_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe' image_path = r'C:\Users\user\Desktop\2.png' pytesseract.pytesseract.tesseract_cmd = cmd_path text = pytesseract.image_to_string(Image.open(image_path),lang="chi_sim") # 去掉字符串中的所有空格和换行符 text = text.replace(" ", "").replace("\n","") print(text)
安装库 pip install pymupdf。
# -*- coding: utf-8 -*- import os import fitz pdf = r"C:\Users\user\Desktop\大型网站技术架构.pdf" doc = fitz.open(pdf) pdf_name = os.path.splitext(pdf)[0] print(pdf_name) print(doc.pageCount) i = 0 png_dir = r"C:\Users\user\Desktop\mytest" for pg in range(doc.pageCount): i = i + 1 png_name = str(i)+".png" print(i) png_path = os.path.join(png_dir, png_name) page = doc[pg] rotate = int(0) # 每个尺寸的缩放系数为2,这将为我们生成分辨率提高四倍的图像。 zoom_x = 2.0 zoom_y = 2.0 trans = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate) pm = page.get_pixmap(matrix=trans, alpha=False) pm.save(png_path)
import pytesseract from PIL import Image import os cmd_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe' def image2txt(png_path): pytesseract.pytesseract.tesseract_cmd = cmd_path text = pytesseract.image_to_string(Image.open(png_path),lang="chi_sim") # 去掉字符串中的所有空格和换行符 text = text.replace(" ", "").replace("\n","") return text png_dir = r"C:\Users\user\Desktop\mytest" num = len(os.listdir(png_dir)) filename = "results.txt" for i in range(num): i = i+1 png_name = str(i) + ".png" png_path = os.path.join(png_dir, png_name) re = image2txt(png_path) with open(filename,"a+",encoding="utf8") as fw: fw.write(str(i)+re+"\n") print(i,re)
pip install pdfplumber
pip install pymupdf
#-*- coding: utf-8 -*- from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument # 获得目录(纲要) # 打开一个pdf文件 fp = open(r"C:\Users\user\Desktop\大型网站技术架构.pdf", 'rb') parser = PDFParser(fp) document = PDFDocument(parser) # 获得文档的目录(纲要) outlines = document.get_outlines() for (level,title,dest,a,se) in outlines: print(level, title)