Python使用OCR实现提取扫描PDF的文本

从 PDF 中提取文本一直是很多人的需求。市面上的工具虽然能处理大部分数字 PDF，但遇到扫描件 PDF 时往往无能为力，想要直接复制或获取其中的文字并不容易。其实这个问题并不是没有解法 —— 本文将带你了解如何借助 Python + OCR 技术，从扫描 PDF 中提取可编辑文本。

为什么提取扫描件 PDF 需要用到 OCR 技术

在探讨如何从扫描件 PDF 中提取文本之前，我们先来了解一下 OCR 技术 及其重要性。

OCR（Optical Character Recognition，光学字符识别），是一种将图像或视频中的文字内容转化为可编辑文本的技术。它不仅能识别字符，还能保留一定的排版信息，因此被广泛应用在文档数字化、档案管理以及数据提取等场景中。

为什么提取扫描件 PDF 的文本离不开 OCR？原因在于 PDF 文件主要分为两类：

• 标准 PDF（数字 PDF）：文档中的文字是以字符形式存储的，可以直接复制、搜索和提取。
• 扫描件 PDF：内容本质上是图片，不包含可识别的文本信息，传统的提取方法无法处理。

因此，当面对扫描件 PDF 时，OCR 技术就显得尤为必要，它能帮助我们将图片中的文字识别出来，转换为真正可操作的文本。

安装必要的 Python 库

在了解了基础知识之后，我们进入到 工具准备环节。本文将主要使用两款库：Spire.PDF for Python 和 Spire.OCR for Python。有了它们，处理扫描件 PDF 并提取文本会变得高效而简单。

• Spire.PDF：负责将扫描件 PDF 转换为适合 OCR 处理的图片。
• Spire.OCR：对这些图片进行文字识别，并输出可编辑的文本内容。

它们的安装方式十分便捷，只需在命令行中运行以下命令：

pip install spire.pdf
pip install spire.ocr

除了使用 pip 安装外，你也可以前往 E-iceblue 官网 下载相应的安装包并手动安装。

通过 Python 将 PDF 转换为图像

正如前面提到的，OCR 无法直接处理 PDF 文件，尤其是扫描件 PDF。因此，第一步我们需要先将其转换为图片。借助 Spire.PDF，这个过程十分简便：只需加载 PDF 文档，遍历页面，然后调用 PdfDocument.SaveAsImage() 方法，就能将每一页保存为图像文件。

在保存时，你还可以根据需求选择 PNG、JPG 或 BMP 等常见格式。下面的示例代码演示了如何使用 Python 将扫描件 PDF 转换为 PNG 图片：

from spire.pdf import *

# 加载 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("E:/Administrator/Python1/input/AI绘画的利与弊.pdf")

# 遍历 PDF 页面
for i in range(pdf.Pages.Count):
    # 将每一页转换为图像
    with pdf.SaveAsImage(i) as image:
        
        # 保存图像
        image.Save(f"E:/Administrator/Python1/output/pdftoimage/ToImage_{i}.png")
        # image.Save(f"Output/ToImage_{i}.jpg")
        # image.Save(f"Output/ToImage_{i}.bmp")

pdf.Close()

OCR 识别并提取扫描件 PDF 中的文本

完成 PDF 转图片 的步骤后，我们就可以进入核心环节——使用 OCR 扫描图片并提取文字。借助 OcrScanner.Scan() 方法，这个过程非常简单。它不仅能够从图片中获取文本，还支持包括 中文、英文、法语 在内的多种语言识别，可以做到“一字不落”。

下面的示例演示了如何在 Python 中调用 OCR，对前一步生成的 PDF 图片进行文字识别，并将结果保存为 .txt 文档：

from spire.ocr import *

# 创建 OCR 扫描器实例
scanner = OcrScanner()

# 配置 OCR 模型路径和语言
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'E:/DownloadsNew/win-x64/'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)

# 使用 OCR 扫描图片
scanner.Scan(r'E:/Administrator/Python1/output/pdftoimage/ToImage_0.png')

# 将提取的文本保存为文本文件
text = scanner.Text.ToString()
with open('E:/Administrator/Python1/output/扫描件PDF文本提取.txt', 'a', encoding='utf-8') as file:
    file.write(text + '\n')

结论

通过本文的示例，我们完成了从扫描件 PDF 转换为图片，再利用 OCR 技术识别并提取文本的全过程。借助 Spire.PDF for Python 和 Spire.OCR for Python，这一流程不仅简单高效，而且对多语言的支持也非常友好。如果你也在寻找快速处理扫描件 PDF 的方法，不妨尝试一下这两个库。

到此这篇关于Python使用OCR实现提取扫描PDF的文本的文章就介绍到这了,更多相关Python提取扫描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！

最新评论