基于 PaddleOCR对pdf文件中的文字提取

一、基于 PaddleOCR 提取 PDF 文件中的文字流程

  1. 安装必要的依赖库:包括 PaddleOCR 和 PyMuPDF

pip install paddlepaddle paddleocr pymupdf

  1. 将 PDF 转换为图像:使用 PyMuPDF 将 PDF 的每一页转换为图像

  2. 使用 PaddleOCR 进行文字识别:对转换后的图像进行文字识别

  3. 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

  1. 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。

  2. 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。

  3. 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。

相关推荐
风逸hhh4 分钟前
python打卡day58@浙大疏锦行
开发语言·python
烛阴1 小时前
一文搞懂 Python 闭包:让你的代码瞬间“高级”起来!
前端·python
JosieBook1 小时前
【Java编程动手学】Java中的数组与集合
java·开发语言·python
Gyoku Mint2 小时前
深度学习×第4卷:Pytorch实战——她第一次用张量去拟合你的轨迹
人工智能·pytorch·python·深度学习·神经网络·算法·聚类
郭庆汝8 小时前
pytorch、torchvision与python版本对应关系
人工智能·pytorch·python
思则变11 小时前
[Pytest] [Part 2]增加 log功能
开发语言·python·pytest
漫谈网络11 小时前
WebSocket 在前后端的完整使用流程
javascript·python·websocket
try2find13 小时前
安装llama-cpp-python踩坑记
开发语言·python·llama
博观而约取14 小时前
Django ORM 1. 创建模型(Model)
数据库·python·django
jndingxin15 小时前
OpenCV CUDA模块设备层-----反向二值化阈值处理函数thresh_binary_inv_func()
人工智能·opencv·计算机视觉