python识别扫描版PDF文件，获取扫描版PDF文件的文本内容

目录

0 环境准备

1 安装tesseract-ocr引擎

1.1 下载安装包

1.2 安装tesseract-ocr

1.2.1 选择语言

1.2.2 开始安装

1.2.3 同意安装协议

1.2.4 选择安装用户

1.2.5 选择安装组件

1.2.6 选择安装路径

1.2.7 系统安装tesseract-ocr

1.2.8 完成安装

1.2.9 结束安装

1.3 设置环境变量

1.4 验证是否安装成功

1.5 安装简体中文语言包

1.5.1 下载简体中文语言包

1.5.2 放置简体中文语言包

1.5.3 查看简体中文语言包是否安装成功

2 创建项目python环境

2.1 conda创建python环境

2.2 在pycharm中创建项目

2.3 激活python环境

2.4 安装项目依赖包

3 程序逻辑实现

3.1 导入依赖包

3.2 定义PDFOCR类

3.3 定义初始化方法

3.4 定义pdf转换成照片方法

3.5 定义OCR识别照片方法

3.6 定义清楚缓存资源方法

3.7 实现main方法

4 测试验证

5 完整代码

附录

附录一：项目结构

附录二： 可能存在的问题

问题一：找不到tesseract路径

---

0 环境准备

• 已安装miniconda环境
• 具备科学上网条件

1 安装tesseract-ocr引擎

        Python读取扫描版PDF文件的详细解决方案，结合OCR技术和PyMuPDF库实现，代码需兼容中英文识别。OCR技术需要安装tesseract-ocr引擎，本章节将介绍在windows环境下如何安装tesseract-ocr引擎。

1.1 下载安装包

        windows环境访问以下地址下载tesseract-ocr安装包，需要科学上网。

windows下载地址：Home · UB-Mannheim/tesseract Wiki · GitHub

1.2 安装tesseract-ocr

1.2.1 选择语言

        选择英语，点击ok。

1.2.2 开始安装

        点击next开始安装。

1.2.3 同意安装协议

        点击I Agree。

1.2.4 选择安装用户

        选择Install for anyone using this compoter。点击next。

1.2.5 选择安装组件

        这里直接点击next

1.2.6 选择安装路径

        注意选择不要带有空格、中文、特殊字符的安装路径。防止使用过程出现莫名其妙的问题。安装路径选择完成后点击next。

1.2.7 系统安装tesseract-ocr

        这里直接点击install。

1.2.8 完成安装

      这里直接点击next。

1.2.9 结束安装

        这里直接点击finish。

1.3 设置环境变量

        在系统环境变量Path中添加tesseract-ocr目录

1.4 验证是否安装成功

        在命令行中输入tesseract -v 查看是否能正常看到tesseract的版本信息，如下图

tesseract -v

1.5 安装简体中文语言包

        Tesseract 默认不支持中文，若要识别中文，需要下载相应的语言包。

1.5.1 下载简体中文语言包

可以从以下地址下载简体中文语言包：

        官网下载：Traineddata Files for Version 4.00 + | tessdoc ，找到 Chinese - Simplified 对应的语言包下载。需要科学上网。

1.5.2 放置简体中文语言包

        将下载的chi_sim.traineddata文件放置到Tesseract-OCR的数据目录，本机是D:\setup\Tesseract-OCR\tessdata。请修改成自己的安装地址。

1.5.3 查看简体中文语言包是否安装成功

        输入查询支持语言命令，可以看到安装的chi_sim语言，如下图：

tesseract --list-langs

2 创建项目python环境

2.1 conda创建python环境

conda create -n pdf_ocr_demo python=3.10

2.2 在pycharm中创建项目

1. 解释器类型：选择自定义环境
2. 环境：选择现有
3. 类型：选择conda
4. 环境：选择上一步创建的pdf_ocr_demo环境

2.3 激活python环境

conda activate pdf_ocr_demo

2.4 安装项目依赖包

pip install PyMuPDF pytesseract pillow

3 程序逻辑实现

3.1 导入依赖包

import os

import fitz
import pytesseract

from PIL import Image

3.2 定义PDFOCR类

class PDFOCR:

3.3 定义初始化方法

    def __init__(self, file_path, output_txt):
        self.file_path = file_path
        self.output_txt = output_txt
        self.temp_img_dir = 'temp_imgs'
        os.makedirs(self.temp_img_dir, exist_ok=True)

3.4 定义pdf转换成照片方法

    def _pdf_to_images(self, zoom=3):
        """将PDF每页转换为高清图片"""
        doc = fitz.open(self.file_path)
        for page_num in range(len(doc)):
            page = doc.load_page(page_num)
            # 设置缩放参数提升分辨率
            mat = fitz.Matrix(zoom, zoom)
            pix = page.get_pixmap(matrix=mat, alpha=False)
            p_index = page_num + 1
            p_index = str(p_index).zfill(5)
            img_path = os.path.join(self.temp_img_dir, f'page_{p_index}.png')
            pix.save(img_path)
            print(f"已完成 {img_path} 存储")
        doc.close()

3.5 定义OCR识别照片方法

    def _ocr_images(self):
        """对转换后的图片进行OCR识别"""
        with open(self.output_txt, 'w', encoding='utf-8') as f:
            for img_file in sorted(os.listdir(self.temp_img_dir)):
                img_path = os.path.join(self.temp_img_dir, img_file)
                # 图像预处理
                img = Image.open(img_path).convert('L') # 转为灰度图
                # OCR识别
                text = pytesseract.image_to_string(img, lang='chi_sim+eng') # 简体中文
                f.write(text + '\n')
                print(f"已完成 {img_file} 识别")

3.6 定义清楚缓存资源方法

    def _cleanup(self):
        """清理临时文件"""
        for img_file in os.listdir(self.temp_img_dir):
            os.remove(os.path.join(self.temp_img_dir, img_file))
        os.rmdir(self.temp_img_dir)
        print("清理完成")

3.7 实现main方法

if __name__ == '__main__':
    processor = PDFOCR('./in_pdf/617336.pdf', './out/output.txt')
    try:
        processor._pdf_to_images(zoom=3)
        processor._ocr_images()
    finally:
        processor._cleanup()

4 测试验证

        找一个扫描版PDF文件，放入in_pdf文件夹，修改main方法中pdf文件名，运行pdf_ocr_reader.py，可以看到执行结果如下图：

5 完整代码

import os

import fitz
import pytesseract

from PIL import Image

class PDFOCR:
    def __init__(self, file_path, output_txt):
        self.file_path = file_path
        self.output_txt = output_txt
        self.temp_img_dir = 'temp_imgs'
        os.makedirs(self.temp_img_dir, exist_ok=True)

    def _pdf_to_images(self, zoom=3):
        """将PDF每页转换为高清图片"""
        doc = fitz.open(self.file_path)
        for page_num in range(len(doc)):
            page = doc.load_page(page_num)
            # 设置缩放参数提升分辨率
            mat = fitz.Matrix(zoom, zoom)
            pix = page.get_pixmap(matrix=mat, alpha=False)
            p_index = page_num + 1
            p_index = str(p_index).zfill(5)
            img_path = os.path.join(self.temp_img_dir, f'page_{p_index}.png')
            pix.save(img_path)
            print(f"已完成 {img_path} 存储")
        doc.close()

    def _ocr_images(self):
        """对转换后的图片进行OCR识别"""
        with open(self.output_txt, 'w', encoding='utf-8') as f:
            for img_file in sorted(os.listdir(self.temp_img_dir)):
                img_path = os.path.join(self.temp_img_dir, img_file)
                # 图像预处理
                img = Image.open(img_path).convert('L') # 转为灰度图
                # OCR识别
                text = pytesseract.image_to_string(img, lang='chi_sim+eng') # 简体中文
                f.write(text + '\n')
                print(f"已完成 {img_file} 识别")

    def _cleanup(self):
        """清理临时文件"""
        for img_file in os.listdir(self.temp_img_dir):
            os.remove(os.path.join(self.temp_img_dir, img_file))
        os.rmdir(self.temp_img_dir)
        print("清理完成")


if __name__ == '__main__':
    processor = PDFOCR('./in_pdf/617336.pdf', './out/output.txt')
    try:
        processor._pdf_to_images(zoom=3)
        processor._ocr_images()
    finally:
        processor._cleanup()

附录

附录一：项目结构

附录二： 可能存在的问题

问题一：找不到tesseract路径

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information.

解决办法：

        请确认环境变量Path中是否配置tesseract的路径，参考章节1.3。如果确认已配置，则重启pycharm，重新运行程序。