图文识别0难度上手~基于飞浆对pdf简易ocr并转txt

ntr亚丝娜（我永远喜欢千花书记）2024-07-06 15:16

前言

本篇pdf适用windows对视觉识别0基础的的纯小白用户。大佬请绕道~~

注意：

本项目pdf的ocr对于表格、画图文字，水印等干扰没做任何处理，因此希望各位使用该功能的pdf尽量不要含有这些干扰项，以免影响翻译效果。

流程

1.构建环境

用conda创建一个虚拟python环境

conda crate -n pp python==3.11

2.安装包

安装飞浆paddle 和paddleocr

gpu版本

pip install paddlepaddle-gpu paddleocr

cpu版本

pip install paddlepaddle paddleocr

pdf转图片工具

https://github.com/oschwartz10612/poppler-windows/releases

pip install pdf2image

3.具体代码

假设在我们有一堆pdf文件在pdfs文件夹中，我们需要将其每个pdf文件转成对应的txt文件。则可使用如下代码

from pdf2image import convert_from_path
import cv2
import numpy as np
from PIL import Image
import os
# 将 PDF 文件转换为图片列表
files = os.listdir('pdf')

for file in files:
    if not file.endswith('.pdf'):
        print(file)
        continue
    txt = file.replace('.pdf', '.txt')
    if os.path.exists('txt/'+txt):
        continue
    txt_writer = open('txt/'+txt, 'w',encoding='utf-8')
    images = convert_from_path('pdf/'+file)
    # print(type(images))
    # print(images[0])
    # image = cv2.cvtColor(np.array(images[0]), cv2.COLOR_RGB2BGR)


    from paddleocr import PaddleOCR, draw_ocr

    # 创建 PaddleOCR 实例
    ocr = PaddleOCR(use_angle_cls=True, lang='ch',use_gpu=True)  # 默认使用英文模型，可以通过 lang 参数切换到中文模型

    # 遍历每一张图片并识别文字
    for i, image in enumerate(images):
        print('第{}张图片'.format(i+1))
        # 转换图片为可用于识别的格式
        # source = image.convert('RGB')
        image = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)        # image.save(f'page_{i}.jpg')

        # 识别图片中的文字
        result = ocr.ocr(image, cls=True)

        # 打印识别结果
        try:
            for lines in result:
                for line in lines:
                    # print(line[1][0])
                    txt_writer.write(line[1][0]+'\n')
        except:
            print(file+'识别失败')
    txt_writer.close()

4.注意

由于本代码仅能简单提取pdf的文字，所以一旦出图片或者表格之类会导致该页识别效果变差，敬请谅解~