很多pdf文件文字识别软件都会收费，免费的网页版可能会带来信息泄露，还有一些类似于腾讯AI和百度AI的接口都有调用次数限制，因此，利用识别正确率极高且免费的cnocr库来自己动手做个pdf文件文字识别程序就是一个很不错的选择。以下程序利用pymupdf打开pdf文件并将页面图像数据读出，然后用numpy将pymupdf读取的页面图像转换为cnocr能够接受的np.ndarray格式的图像数据，再由cnocr进行文字识别。numpy、pymupdf和cnocr库的安装都可以用pip install指令简单完成，不多赘述。
python
import numpy as np
from cnocr import CnOcr
from pymupdf import pymupdf
def pdf2txt(input_file, output_file, start_page=0, page_count=-1):
"""
将扫描的pdf文件中指定的页面范围内的内容转换成文本文件
:param input_file: 要识别的pdf文件的相对或绝对路径，包含文件名的字符串
:param output_file: 保存识别结果的txt文件的相对或绝对路径
:param start_page: 识别起始页面，默认为第1页
:param page_count: 识别的页数，默认为所有页面
:return:
"""
pdf = pymupdf.open(input_file)
count = pdf.page_count
if start_page < 0:
start_page = 0
if page_count < 0 or page_count + start_page > count:
end_page = count
else:
end_page = page_count + start_page
# 如CnOcr的识别模型尚未下载，以下语句执行时CnOcr会自动下载模型并解压到用户目录下的AppData\\Roaming\\cnocr\\cnocr版本号下
# 也可以在初始化时指定rec_model_fp参数给出模型所在的相对路径或绝对路径指定识别模型，如以下示例（因以下路径是我的电脑上的默认路径，
# 因此下面两行代码与ocr = CnOcr(）完全等价
ocr = CnOcr(rec_model_fp='C:\\Users\\asus\\AppData\\Roaming\\cnocr\\2.3\\densenet_lite_136-gru'
'\\cnocr-v2.3-densenet_lite_136-gru-epoch=004-ft-model.onnx')
print(start_page, end_page)
with open(output_file, 'w', encoding='utf-8') as f:
for i in range(start_page, end_page):
page = pdf[i]
pix = page.get_pixmap()
width = pix.width
height = pix.height
# pixmap转换为nympy.ndarray，供CnOcr识别
image = np.frombuffer(pix.samples, dtype=np.uint8).reshape(height, width, pix.n)
res = ocr.ocr(image)
string_list = []
for val in res:
# 注意这是2.2版本以后的cnocr读取识别结果的方式与2.1版本已经不同
# 如果cnocr识别结果总是一些textscoreposition字符串，那就是用了老版的方式
string_list.append(val['text'])
ocr_result_string = '\n'.join(string_list)
f.write(ocr_result_string) # 这行代码自带文件关闭功能，不需要再写 f.close()
print(f'page{i + 1} finished.')
pdf.close()
input_file = f'test.pdf'
output_file = 'test.txt'
pdf2txt(input_file, output_file, 500, 522)需要注意的是，在读取cnocr的识别结果时，如果安装的cnocr版本低于2.2，那么
以上代码中的
python
for val in res:
string_list.append(val['text'])要改成下面这样：
python
for i in range(len(res)):
for j in res[i]:
string_list.append(j)但是2.2版本以后的cnocr如果仍然用以上方式，那么取出的识别结果将是一串"textscoreposition"。
下面是以上程序识别曹植集校注中一页的结果：
tex
(本冥指隐蔽偏鲜之处。此言卡太后即使在独处之时也很谨慎,在隐
游之处电依礼行。
5〔诚(juon)）洁也。〔荐）进献。〔三牲）牛、羊、猪，指祭
品。此吉请净地进献祭品。(视)条配时主持条礼之人。
3〔宜享斯祜]应该享受知此之服。精:棋。宋本作""。〔煤
社〕即受桶。(肉特)锅奖。(勉)月"免。即超免
四〔会街尽礼)条祀折特时湖尽礼数。笃)厚,指调情加重。
[密)痊愈。(终)指生命到终点。
等〔遗州)南植自指。(在收)指在优伤久病之中。(部)指下太
后去世的内信。〔东藩)洛阳东面的藩国。曹植时时东阿王。东阿在洛
阳东。[郊甸)郊野。丁本:《艺文类聚》作"晗。"家本亦作"除"。
哈指田地里的小路、与筹义同。(中原）原野之中。
中(皇址]望号。[迁)肉去。[峡复) 经常来看我。
等〔岁字)空貌，即人去限空。(巡省阶除)在宫中的小道上巡视。
(仿佛碳轩在窗户间仿佛着见了下太行的身影容舰。银轩：窗户。
就【韩梨)指下太后的居室。(儿益）儿席。座席。〔效故）改变
原承的样子。
2〔酷指您伤全做。斯)如此。(墙)。(魏部)指邺。曹操
界于都，下太后的是权专运到部与曹操合养。(日包）指邺。〔隧）&
道。〔魄)《艺文类聚》、宋本俱作"将"。
3（叹息露兴)叹息之气粥如雾气兴起，形容送师人之多。〔幅
(r而））灵车。
容车饰驾，以合北展®
0丁本："《文选》颜廷年《宋元泉后哀策文》李注引《上宜后请
&》.
-469.原始扫描页面100%缩放图像如下：
可见准确率也还勉强可以接受。如果将图像做个对比度增强并适当放大再识别，还可以进一步提高准确率。下面是使用OpenCV将图片放大2倍后的识别结果，对比可以看出准确率有所提高：
tex
(本冥〕指隐蔽偏解之处。此言卡太后即使在独处之时也很谨慎，在隐
游之处也依礼间行。
S(砖(juon)）洁也。〔荐〕进献。（三牲〕牛、羊、猪.指祭
品。此言洁净地进献祭品。(祝〕祭祀时主持祭礼之人。
3（宜享斯祜)应该享受知此之福。精:摄、宋本作"猪"。〔蒙
社〕即受福。〔凶咎)祸火。〔勉）月"免".即避免。
四〔云传尽礼)条祀祈传时湖尽礼数。笃)厚，指病情加重。
(疮)经。〔终）指生命到终点。
多〔逸弧)曹植自指。（在款)指在优伤久病之中。(讳)指下太
后去世的内信。〔东洛)洛阳东面的等国。、曹植时村东阿王。东阿在洛
阳东。(郊甸)郊野。丁本:《艺文类聚》作"峰。"宋本亦作"时"。
哈指田地里的小路。与年义同。(中原）原野之中。
9(皇址)皇号。[迁〕肉去。[峡复〕经常来看我。
0〔岁凯）空貌，即人去屋空。〔巡省阶涂）在宫中的小道上巡视。
(仿佛候轩)在窗户间仿佛看见了卡太后的身影容颜。领轩：窗户。
就〔韩蟹)指下太后的店室。〔儿流）儿席。座席。〔烫故）改变
原来的样子。
心〔酷)指悲伤至极。〔斯)如此。(秦)到。〔魏都)指邺。曹操
养于郎，下太后的是框要运到第与曹操合养。（旧色)指邺。（能）众
道。〔魄)《艺文类聚》、宋木供作"将"。
3（叹息露兴)叹息之气宛如雾气兴起，形容送葬人之多。〔幅
(r而)）灵车。
容车饰驾，以合北辰®
0丁本："《文选》颜廷年《宋元皇后哀策文》李注引《上宣后请
表."
.469.