Python实现识别图片和扫描PDF中的文字

pip install Spire.OCR

from spire.ocr import *
 
# 初始化OcrScanner对象
scanner = OcrScanner()
 
# 配置OCR设置（文本识别语言和OCR模型路径）
# 支持的语言包括英语、法语、德语、日语、韩语、简体中文、繁体中文等
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'D:\OCR\win-x64'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)
 
# 扫描图片
scanner.Scan(r'测试.png')
 
# 获取识别的文本
text = scanner.Text.ToString() + '\n'
 
# 将文本保存到文本文件
with open('输出.txt', 'a', encoding='utf-8') as file:
file.write(text + '\n')

from spire.ocr import *
 
# 初始化OcrScanner对象
scanner = OcrScanner()
 
# 配置OCR设置（文本识别语言和OCR模型路径）
# 支持的语言包括英语、法语、德语、日语、韩语、简体中文、繁体中文等
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'D:\OCR\win-x64'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)
 
# 扫描图片
scanner.Scan(r'测试.png')
 
# 遍历识别的文本中的文本块，提取每个文本块的文本和坐标位置等信息
text = ''
for block in scanner.Text.Blocks:
    rectangle = block.Box
    positions = f'{block.Text} -> x: {rectangle.X}, y: {rectangle.Y}, w: {rectangle.Width}, h: {rectangle.Height}'
    text += positions + '\n'
 
# 将文本和坐标保存到文本文件
with open('图片文字及坐标.txt', 'a', encoding='utf-8') as file:
    file.write(text + '\n')

pip install Spire.PDF

from spire.pdf import *
from spire.ocr import *
import io
 
# 将PDF页面转换为图片
def convert_pdf_page_to_image(pdf, page_index):
    return pdf.SaveAsImage(page_index)
 
# 从图片中识别文本
def recognize_text_from_image(imgName, language, model_path):
    # 初始化OCR扫描器并配置OCR模型的路径和文本识别语言
    scanner = OcrScanner()
    configure_options = ConfigureOptions()
    configure_options.Language = language
    configure_options.ModelPath = model_path
    scanner.ConfigureDependencies(configure_options)
 
    # 执行OCR并返回识别的文本
    scanner.Scan(imgName)
    data = scanner.Text.ToString()
    return data
 
# 加载扫描PDF文档
pdf = PdfDocument()
pdf.LoadFromFile('扫描.pdf')
 
# 创建文本文件以保存提取的文本
with open('扫描PDF.txt', 'a', encoding='utf-8') as writer:
    for page_index in range(pdf.Pages.Count):
        # 将PDF页面转换为图片
        image = convert_pdf_page_to_image(pdf, page_index)
        imgName="toImage_"+str(page_index)+".png"
        image.Save(imgName)
 
        # 从图片中识别文本
        recognized_text = recognize_text_from_image(imgName, 'Chinese', r'D:\OCR\win-x64')
 
        # 将识别的文本写入文本文件
        writer.write(f'Page {page_index + 1}:\n')
        writer.write(recognized_text)
        writer.write('\n\n')  # 在页面之间添加两个换行符
 
print('文本已成功保存到"扫描PDF.txt"。')