转载说明：原创不易，未经授权，谢绝任何形式的转载

Midjourney 创作，OCR

在这篇文章中，我将介绍如何使用Pytesseract和Imagemagick从扫描的PDF文档中提取文本。这种技术可以帮助您快速、准确地处理大量文本数据。这对于那些需要处理大量扫描文档的人来说尤其有用，比如在法律、医疗或教育领域。

简介

光学字符识别（OCR）是一项技术，可以将包含文本的扫描文档、图像或PDF文件转换为可搜索和可编辑的数字格式。本文将探讨如何设置和使用Pytesseract和Imagemagick进行OCR处理，Pytesseract是一个使用Google的Tesseract引擎的OCR工具，Imagemagick则是一个功能强大的图像处理库。

安装库

pytesseract

pytesseract是一个Python的OCR（Optical Character Recognition，光学字符识别）库，它是由Google开源的Tesseract OCR Engine进行封装的，可以将图片中的文字转换为字符串。pytesseract可以通过pip安装，支持Windows、macOS和Linux系统。使用pytesseract时，需要先安装Tesseract OCR Engine，并将其添加到环境变量中，然后在Python中调用pytesseract模块进行使用。它的接口非常简单易用，能够快速地识别图片中的文本内容。

pip install pytesseract

tesseract

Tesseract是一个开源OCR引擎，最初由惠普实验室开发，现在由谷歌进行维护和开发。Tesseract可以识别多种语言的文本，包括中文、英文、日文、法文等等。Tesseract使用基于神经网络的算法，可以进行字符识别、单词识别和行识别等任务。Tesseract的识别能力取决于训练数据和图像质量等因素，因此在使用Tesseract进行OCR文本识别时，需要进行一些预处理操作，以提高识别准确率。

brew install tesseract

注意：如果您需要使用Tesseract进行中文文本识别，还需要安装中文语言包。可以在Tesseract的官方GitHub仓库中下载中文语言包，并按照官方文档的指引进行安装。在Tesseract的官方GitHub仓库中找到chi_sim和chi_tra语言包。chi_sim是简体中文语言包，chi_tra是繁体中文语言包。https://github.com/tesseract-ocr/tesseract

windows安装，请参考：https://github.com/UB-Mannheim/tesseract/wiki 这个链接

ImageMagick

ImageMagick是一款功能强大的开源图像处理库，可以在各种平台上运行。ImageMagick提供了丰富的图像处理功能，包括图像格式转换、缩放、旋转、裁剪、特效处理、色彩空间转换、降噪等等。ImageMagick支持多种图像格式，包括JPEG、PNG、GIF、TIFF等等，并且可以对这些图像进行处理、转换和优化。使用ImageMagick，可以在不同的操作系统和编程语言环境下，对图像进行高效的处理和优化。

brew install imagemagick

windows安装请参考这个链接：https://imagemagick.org/script/download.php

代码部分

使用Pytesseract和Imagemagick，您可以使用以下Python脚本来对扫描的PDF进行OCR：

import pytesseract from PIL import Image import os import sys from wand.image import Image as WandImage input_file = sys.argv[1] output_file = sys.argv[2] # 将PDF文件转换为图像文件 with WandImage(filename=input_file, resolution=300) as img: img.compression_quality = 99 img.save(filename='temp_images/page.jpg') # 使用Pytesseract进行OCR # 设置语言参数为中文 language = 'chi_sim' text = '' for i, file in enumerate(sorted(os.listdir('temp_images'))): with Image.open(f'temp_images/{file}') as img: text += pytesseract.image_to_string(img,lang=language) # 将OCR文本保存到文件中 with open(output_file, 'w', encoding='utf-8') as f: f.write(text) # 清除临时图像 for file in os.listdir('temp_images'): os.remove(f'temp_images/{file}')

注：需要注意你的网络链接，能连接“国际网络”，要不会提示网络错误

要使用此脚本，将其保存为“pdf_ocr.py”，并在终端（Mac）或命令提示符（Windows）中运行以下命令，将“input.pdf”替换为扫描PDF文件的路径，“output.txt”替换为所需的输出文件名：

python pdf_ocr.py input.pdf output.txt

这个脚本执行以下操作：

使用Imagemagick的Wand库将输入PDF文件转换为一系列图像，并将这些图像保存在名为“temp_images”的临时文件夹中。分辨率参数设置为300 DPI以提高OCR准确性。 遍历这些图像，使用Pytesseract进行OCR，将识别出的文本附加到一个字符串变量中。 将识别出的文本写入指定的输出文件中。 清除“temp_images”文件夹中的临时图像。

结束

使用Pytesseract和Imagemagick，您可以在Windows和Mac平台上轻松进行扫描PDF的OCR。通过遵循这个指南，您可以设置必要的工具并创建一个简单的Python脚本，将扫描的PDF转换为可搜索和可编辑的文本文件。这个解决方案不仅高效，而且高度可定制，可以根据您的特定需求进行适应，并改进文档处理工作流程。通过使用OCR技术，您可以提高文档处理的效率和准确性，节省大量时间和人力成本，为您的业务和个人生活带来便利和效益。

今天的分享就到这里，感谢你的阅读，希望能够帮助到你，文章创作不易，如果你喜欢我的分享，别忘了点赞转发，让更多有需要的人看到，最后别忘记关注「前端达人」，你的支持将是我分享最大的动力，后续我会持续输出更多内容，敬请期待。

原文：https://medium.com/python-in-plain-english/big-ocr-scanned-pdfs-with-pytesseract-and-imagemagick-d989d838cd02

作者：Yancy Dennis

非直接翻译，有自行改编和添加部分，翻译水平有限，难免有疏漏，欢迎指正