【工具教程】实现对PDF扫描件批量识别区域内容并重命名，识别图片区域文字并重命名

如沐春风菜鸡收割机

已于 2025-04-06 13:30:39 修改

阅读量1k

点赞数 35

文章标签：深度学习机器学习开发语言 python

于 2025-01-19 14:11:55 首次发布

本文链接：https://blog.youkuaiyun.com/bbyn24955/article/details/145242478

版权

以下是一个使用 Python 实现对 PDF 扫描件批量识别区域内容并重命名的大致思路：

解决思路：

使用 pdf2image 将 PDF 页面转换为图像文件。
使用 pytesseract 对图像区域进行文字识别。
基于识别的内容对文件进行重命名。

import os
from pdf2image import convert_from_path
import pytesseract
from PIL import Image

def pdf_to_images(pdf_path):
    # 将 PDF 转换为图像列表
    images = convert_from_path(pdf_path)
    return images

def ocr_image(image):
    # 对图像进行 OCR 识别
    text = pytesseract.image_to_string(image)
    return text

def rename_pdf(pdf_path, output_dir):
    # 获取 PDF 的文件名（不包含路径）
    base_name = os.path.basename(pdf_path)
    # 去掉文件扩展名
    name_without_ext = os.path.splitext(base_name)[0]
    images = pdf_to_images(pdf_path)
    for i, image in enumerate(images):
        # 对图像进行 OCR 识别
        text = ocr_image(image)
        # 清理识别结果，去除多余的空格和换行符
        clean_text = text.strip().replace('\n','').replace(' ','')
        # 构建新的文件名
        new_name = f"{clean_text}_{name_without_ext}_{i}.pdf"
        new_path = os.path.join(output_dir, new_name)
        # 保存图像为 PDF（假设你想将图像转换回 PDF 并保存）
        image.save(new_path, "PDF", resolution=100.0)

def batch_rename_pdfs(input_dir, output_dir):
    # 遍历输入目录中的所有 PDF 文件
    for root, dirs, files in os.walk(input_dir):
        for file in files:
            if file.endswith('.pdf'):
                pdf_path = os.path.join(root, file)
                rename_pdf(pdf_path, output_dir)

代码解释：

pdf_to_images(pdf_path) 函数：
- 使用 pdf2image 库的 convert_from_path 方法将指定 pdf_path 的 PDF 文件转换为图像列表。
- 该函数会将 PDF 的每一页转换为一个 PIL 的 Image 对象并存储在 images 列表中。
ocr_image(image) 函数：
- 调用 pytesseract 的 image_to_string 方法对输入的 image（PIL 的 Image 对象）进行文字识别。
- 将识别出的文字作为字符串返回。
rename_pdf(pdf_path, output_dir) 函数：
- 首先使用 os.path.basename 获取 PDF 的文件名（不包含路径），再使用 os.path.splitext 去掉文件扩展名。
- 调用 pdf_to_images 函数将 PDF 转换为图像列表。
- 遍历图像列表，对每个图像调用 ocr_image 进行 OCR 识别。
- 清理识别出的文本，去除多余的空格和换行符。
- 构建新的文件名，新文件名包含识别出的文本、原文件名和当前页码。
- 使用 image.save 方法将图像保存为 PDF 文件到指定的 output_dir 中。
batch_rename_pdfs(input_dir, output_dir) 函数：
- 使用 os.walk 遍历输入目录下的所有文件。
- 对于每个以 .pdf 结尾的文件，调用 rename_pdf 函数进行重命名操作。

使用方法：

确保你已经安装了所需的库，可以使用 pip install pdf2image pytesseract pillow 进行安装。
将上述代码保存为一个 Python 文件，例如 rename_pdfs.py。
调用 batch_rename_pdfs 函数，指定输入目录和输出目录，例如：

python

if __name__ == "__main__":
    input_dir = "path/to/your/input/directory"
    output_dir = "path/to/your/output/directory"
    batch_rename_pdfs(input_dir, output_dir)