如何识别pdf文档中的文字（图像识别）python

如何识别pdf文档中的文字（图像识别）

直接处理pdf文档，来识别其中的文字比较困难，尝试过各种pdf的各种包，重要都是些处理格式的，或者只能读取当pdf文字可以选取的这类pdf文件，像那种扫描的pdf文档则不可以识别。
处理思路就是通过讲pdf文件的每一页转化为图片，然后再讲图片的中的文字，进行识别输出。这样的整体难度降低，也比较容易实现。
通过查阅资料，总结一下要点，给大伙留个参考

mac安装tesseract

通过查阅资料，mac安装的资料比较少，如果你是wins或linux（离线）的，可以直接查找相关的问题。
通过brew来安装的

ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
brew -v
brew install tesseract

出现下面的截图

tesseract -v

出现下面这样就安装成功了，可能每个人不一样（大体差不多）

万里长征第一步就可以了，我们还需要解决如何用python来用它，就有了pytesseract，那自然是需要安装的

pip install pytesseract
pip install pillow

然后建立一个py文件运行。

import pytesseract
from PIL import Image
image = Image.open('./image/images_2.png')
code = pytesseract