Python使用paddleOCR批量识别pdf的方法

 更新时间:2024年03月03日 09:55:40   作者:Python斗罗  
PaddleOCR可以在图像、文本、表格等多种场景下进行文字识别,本文主要介绍了Python使用paddleOCR批量识别pdf的方法,具有一定的参考价值,感兴趣的可以了解一下

PaddleOCR是一个基于PaddlePaddle深度学习框架的OCR(Optical Character Recognition,光学字符识别)系统,可以在图像、文本、表格等多种场景下进行文字识别,具有高速、高精度、高可定制性等特点。在应用中,可以使用PaddleOCR进行pdf文件的批量识别。

注意,本文章所述方法仅适用于单栏文本,无表格等复杂场景的情况。

以下是使用PaddleOCR批量识别pdf的步骤:

1、安装PaddleOCR
首先需要安装PaddleOCR,可以参考官方文档进行安装。
按照文档来非常的简单。无需害怕。https://github.com/PaddlePaddle/PaddleOCR

2、准备pdf文件
将需要识别的pdf文件准备好,可以使用一个扫描版进行测试。

3、使用PaddleOCR进行识别
paddleocr识别pdf的过程是先将pdf变为图片,再识别图片,最终再拼接出答案。
所以我们在此将过程分为两个函数。

如下:

import datetime
import os
import fitz  # fitz就是pip install PyMuPDF

def pdf2png(pdfPath, baseImagePath):
    imagePath=os.path.join(baseImagePath,os.path.basename(pdfPath).split('.')[0])
    startTime_pdf2img = datetime.datetime.now()  # 开始时间
    print("imagePath=" + imagePath)
    if not os.path.exists(imagePath):
        os.makedirs(imagePath)
    pdfDoc = fitz.open(pdfPath)
    totalPage=pdfDoc.pageCount
    for pg in range(totalPage):
        page = pdfDoc[pg]
        rotate = int(0)
        zoom_x = 2
        zoom_y = 2
        mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
        pix = page.get_pixmap(matrix=mat, alpha=False)
        print(f'正在保存{pdfPath}的第{pg+1}页,共{totalPage}页')
        pix.save(imagePath + '/' + f'images_{pg+1}.png')
    endTime_pdf2img = datetime.datetime.now()
    print(f'{pdfDoc}-pdf2img-花费时间={(endTime_pdf2img - startTime_pdf2img).seconds}秒')

if __name__ == "__main__":
    pdfPath = r'./demo-scan.pdf'
    baseImagePath = './imgs'
    pdf2png(pdfPath, baseImagePath)
import os
import cv2
from paddleocr import PPStructure,save_structure_res
from paddleocr.ppstructure.recovery.recovery_to_doc import sorted_layout_boxes, convert_info_docx
from copy import deepcopy
# 中文测试图
table_engine = PPStructure(recovery=True,lang='ch')

image_path = './imgs/demo-scan'
save_folder = './txt'
def img2docx(img_path):
    text=[]
    imgs=os.listdir(img_path)
    for img_name in imgs:
        print(os.path.join(img_path,img_name))
        img = cv2.imread(os.path.join(img_path,img_name))
        result = table_engine(img)

        save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])

        h, w, _ = img.shape
        res = sorted_layout_boxes(result, w)
        convert_info_docx(img, res, save_folder, os.path.basename(img_path).split('.')[0])

        for line in res:
            line.pop('img')
            print(line)
            for pra in line['res']:
                text.append(pra['text'])
            text.append('\n')
        with open('txt/res.txt', 'w', encoding='utf-8') as f:
            f.write('\n'.join(text))
img2docx(image_path)

以上代码将会读取指定目录下的pdf文件,并将其转换为图像列表,然后使用PaddleOCR进行识别,最后将识别结果保存在指定目录下的文本文件中。

需要注意的是,使用PaddleOCR进行pdf识别时,由于pdf文件通常包含多页,需要将每一页的内容分别识别,并将其合并成完整的文本内容。

另外,由于PaddleOCR的识别结果可能存在误识别的情况,需要对识别结果进行校验和修正。

到此这篇关于Python使用paddleOCR批量识别pdf的方法的文章就介绍到这了,更多相关Python批量识别pdf内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Django如何实现防止XSS攻击

    Django如何实现防止XSS攻击

    这篇文章主要介绍了Django如何实现防止XSS攻击,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-10-10
  • Python中如何引入第三方模块

    Python中如何引入第三方模块

    在本篇文章中小编给大家分享的是一篇关于Python中如何引入第三方模块的相关知识点,需要的朋友们可以学习下。
    2020-05-05
  • python MD5加密的示例

    python MD5加密的示例

    这篇文章主要介绍了python MD5加密的示例,帮助大家更好的利用python进行加密,感兴趣的朋友可以了解下
    2020-10-10
  • 深入解析Python设计模式编程中建造者模式的使用

    深入解析Python设计模式编程中建造者模式的使用

    这篇文章主要介绍了深入解析Python设计模式编程中建造者模式的使用,建造者模式的程序通常将所有细节都交由子类实现,需要的朋友可以参考下
    2016-03-03
  • 手把手教你使用Python创建微信机器人

    手把手教你使用Python创建微信机器人

    微信,一个日活10亿的超级app,不仅在国内社交独领风骚,在国外社交也同样占有一席之地,今天我们要将便是如何用Python来生成一个微信机器人,感兴趣的朋友跟随小编一起看看吧
    2019-04-04
  • 浅谈flask源码之请求过程

    浅谈flask源码之请求过程

    这篇文章主要介绍了浅谈flask源码之请求过程,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2018-07-07
  • Python如何判断字符串是否仅包含数字

    Python如何判断字符串是否仅包含数字

    在用Python进行数据处理的时候,经常会遇到DataFrame中的某一列本应该是数值类型,但由于数据不规范导致在字段中夹杂了非数值类型,本文就介绍了Python如何判断字符串是否仅包含数字,感兴趣的可以了解一下
    2022-03-03
  • 在Python的Django框架中生成CSV文件的方法

    在Python的Django框架中生成CSV文件的方法

    这篇文章主要介绍了在Python的Django框架中生成CSV文件的方法,利用到了Python下的csv模块,需要的朋友可以参考下
    2015-07-07
  • Python简单获取二维数组行列数的方法示例

    Python简单获取二维数组行列数的方法示例

    这篇文章主要介绍了Python简单获取二维数组行列数的方法,结合实例形式分析了Python基于numpy模块的二维数组相关运算技巧,需要的朋友可以参考下
    2018-12-12
  • python脚本替换指定行实现步骤

    python脚本替换指定行实现步骤

    这篇文章主要介绍了 python脚本替换指定行实现步骤的相关资料,需要的朋友可以参考下
    2017-07-07

最新评论