基于 PaddleOCR对pdf文件中的文字提取

神奇侠20242025-04-23 21:37

一、基于 PaddleOCR 提取 PDF 文件中的文字流程

安装必要的依赖库：包括 PaddleOCR 和 PyMuPDF

pip install paddlepaddle paddleocr pymupdf

将 PDF 转换为图像：使用 PyMuPDF 将 PDF 的每一页转换为图像
使用 PaddleOCR 进行文字识别：对转换后的图像进行文字识别
处理和保存识别结果：提取识别结果并保存到文件或进行进一步处理

二、完整代码

python 复制代码

import fitz  # PyMuPDF
import os
from paddleocr import PaddleOCR, draw_ocr
import cv2
import numpy as np
from PIL import Image

# 初始化 PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # 使用中文语言模型


def pdf_to_images(pdf_path, output_folder):
    """
    将 PDF 文件的每一页转换为图像
    :param pdf_path: PDF 文件路径
    :param output_folder: 输出图像的文件夹路径
    """
    pdf_doc = fitz.open(pdf_path)
    for page_number in range(len(pdf_doc)):
        page = pdf_doc[page_number]
        image = page.get_pixmap(
            matrix=fitz.Matrix(2, 2), alpha=False
        )  # 可以调整缩放比例
        image_path = os.path.join(output_folder, f"page_{page_number + 1}.png")
        image.save(image_path)
    pdf_doc.close()


def recognize_text(image_path):
    """
    使用 PaddleOCR 进行文字识别
    :param image_path: 图像路径
    :return: 识别结果
    """
    image = cv2.imread(image_path)
    result = ocr.ocr(image, cls=True)
    return result


def process_images_in_folder(image_folder, output_file):
    """
    处理指定文件夹中的所有图像，并将结果保存到文件
    :param image_folder: 包含图像的文件夹路径
    :param output_file: 输出文件路径
    """
    with open(output_file, "w", encoding="utf-8") as f:
        for filename in os.listdir(image_folder):
            if filename.endswith(".png"):
                image_path = os.path.join(image_folder, filename)
                result = recognize_text(image_path)
                if result is not None:
                    for line in result[0]:
                        f.write(line[1][0] + "\n")


# 示例：将 PDF 转换为图像并处理图像
pdf_path = "cqgl.pdf"
output_folder = "pdfimg"
os.makedirs(output_folder, exist_ok=True)
pdf_to_images(pdf_path, output_folder)

# 示例：处理输出图像文件夹中的所有图像并保存结果
output_file = "recognized_text.txt"
process_images_in_folder(output_folder, output_file)

三、注意事项

字体文件：如果需要绘制识别结果，确保指定的字体文件路径有效。
图像质量：确保转换后的图像质量足够高，以便 PaddleOCR 能够准确识别。
多语言支持：如果 PDF 中包含多种语言，可以调整 PaddleOCR 的lang参数来支持多语言识别。