Python 获得pdf中的文字、图片文字方法

下载word版文件

OCR，全称Optical character recognition，中文译名叫做光学文字识别。它把图像中的字符，转换为机器编码的文本的一种方法。OCR技术在印刷行业应用得非常多，也广泛用于识别图片中的文字数据 – 比如护照，支票，银行声明，收据，统计表单，邮件等。

pytesseract，即Python-tesseract，是Google Tesseract ORC引擎的封装。首次于2014年提出，支持的图片格式有’JPEG’, ‘PNG’, ‘PBM’, ‘PGM’, ‘PPM’, ‘TIFF’, ‘BMP’, ‘GIF’，只需要简短的代码就能够提取图片中的字符合文字了，极大方便文字工作。

一、准备工作

1，安装pillow或者PIL，主要用来打开本地图片

pip install PIL

pip install pillow

2，安装pytesseract，主要用来将图片里面文字转化字符串或者pdf

pip install pytesseract

3，安装 Tesseract-OCR应用程序

进入https://pan.baidu.com/s/1qXumxdltxOnb0geaE_1U-Q​​

下载tesseract-ocr-w64-v5.0.0.exe

设置环境变量：新增系统变量TESSDATA_PREFIX

新增PATH路径：

配置就完成

测试是否安装成功

输入tesseract -v如果出现版本号则安装成功，如下图所示

进行识别

打开cmd->定位到所要识别的图片的位置

输入如下语句：tesseract pic3.png a [ -l chi_sim]

pic3.png是你图片的名称，a是保存文字的txt文件，后缀名可省略，默认的识别语言是英文，如果是中文要利用-l chi_sim换成中文

4，修改 pytesseract 源码中的路径

进入python目录\Lib\site-packages\pytesseract，用Notepad++打开pytesseract.py，将源码第26行的路径修改成安装Tesseract-OCR应用程序路径。

 tesseract_cmd = 'tesseract.exe'

修改成

tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

5，安装中文字库

进入https://pan.baidu.com/s/1GfspC5uef73B2Oa8YudBgQ，下载中文库复制到 Tesseract-OCR 安装目录下的 tessdata 文件夹中，

（实际上是chi_sim.traineddata最好在C:\Program Files \Tesseract-OCR目录下）

二、利用Python提取PDF文本的简单方法实例

一般情况下，Ctrl+C 是最简单的方法，当无法 Ctrl+C 时，我们借助于 Python，以下是具体步骤：

第一步，安装工具库

1、tika — 用于从各种文件格式中进行文档类型检测和内容提取

2、wand — 基于 ctypes 的简单 ImageMagick 绑定

3、pytesseract — OCR 识别工具

安装这些工具

1 2 3

pip install tika wand pytesseract

第二步，编写代码

假如 pdf 文件里面既有文字，又有图片，以下代码可以直接识别文字：

1 2 3 4 5 6 7 8 9 10

import io import pytesseract import sys    from PIL import Image from tika import parser from wand.image import Image as wi    text_raw = parser.from_file("example.pdf") print(text_raw['content'].strip())

这还不够，我们还需要能失败图片的部分：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300):     print("-- Parsing image", from_file, "--")     print("---------------------------------")     pdf_file = wi(filename=from_file, resolution=resolution)     image = pdf_file.convert(image_type)     image_blobs = []     for img in image.sequence:         img_page = wi(image=img)         image_blobs.append(img_page.make_blob(image_type))     extract = []     for img_blob in image_blobs:         image = Image.open(io.BytesIO(img_blob))         text = pytesseract.image_to_string(image, lang=lang)         extract.append(text)     for item in extract:         for line in item.split("\n"):             print(line)

合并一下，完整代码如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

import io import sys    from PIL import Image import pytesseract from wand.image import Image as wi from tika import parser    def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300):     print("-- Parsing image", from_file, "--")     print("---------------------------------")     pdf_file = wi(filename=from_file, resolution=resolution)     image = pdf_file.convert(image_type)     for img in image.sequence:         img_page = wi(image=img)         image = Image.open(io.BytesIO(img_page.make_blob(image_type)))         text = pytesseract.image_to_string(image, lang=lang)         for part in text.split("\n"):             print("{}".format(part))    def parse_text(from_file):     print("-- Parsing text", from_file, "--")     text_raw = parser.from_file(from_file)     print("---------------------------------")     print(text_raw['content'].strip())     print("---------------------------------")    if __name__ == '__main__':     parse_text(sys.argv[1])     extract_text_image(sys.argv[1], sys.argv[2])

这里，是将pdf全部转换成图片，再进行识别图片识别的，如果文档内容比较多，效率会比较慢。好处是识别的文本连续性比较好

image = pdf_file.convert(image_type)

可以逐页逐图进行识别

def extract_text(file_name):
   extract_text = ''  # 用于存储提取的文本
   doc = fitz.open(file_name)
   # 遍历每一页pdf
   print('pages:',len(doc))
   for i in range(len(doc)):
      img_list = doc.get_page_images(i)  # 提取该页中的所有img
      # 遍历每页中的图片，
      for num, img in enumerate(img_list):
         img_name = f"d:/pdfall2txt/{i + 1}{num + 1}.png"  # 存储的图片名
         pix = fitz.Pixmap(doc, img[0])  # image转pixmap
         if pix.n - pix.alpha >= 4:  # 如果差值大于等于4，需要转化后才能保存为png
            pix = fitz.Pixmap(fitz.csRGB, pix)
         pix.save(img_name)  # 存储图片
         pix = None  # 释放Pixmap资源
         image = Image.open(img_name)
         text = pytesseract.image_to_string(image, 'chi_sim')  # 调用tesseract，使用中文库，要求库文件放在C:\Program Files (x86)\Tesseract-OCR目录想
         extract_text += text  # 写入文本
         os.remove(img_name)

     return extract_text

三、报错解决

1. convert: FailedToExecuteCommand `“gswin64c.exe”

参考：

Stackoverflow:Imagemagick FailedToExecuteCommand `“gswin32c.exe”

ImageMagick之PDF转换成图片（image）

报错信息中的gswin32c.exe指得就是Ghostscript（https://ghostscript.com/releases/gsdnld.html），下载这个东西，进行安装。

2、pytesseract错误

下载安装tesseract-ocr-w64-v5.0.0.exe

import pytesseract

from PIL import Image

from urllib import request

import time

pytesseract.pytesseract.tesseract_cmd=r'C:\Program Files\Tesseract-OCR\tesseract.exe'

image=Image.open('img\pic3.png')#所要识别的图片的位置

#默认是英文，中文的要将语言改成中文。

text=pytesseract.image_to_string(image,lang='chi_sim')

print(text)

四、相关文件下载地址

1、ImageMagick

ImageMagick不知道需不需安装，不过安装一下没问题

ImageMagick – Download

Version	Description
ImageMagick-7.1.0-51-Q16-HDRI-x64-dll.exe

https://imagemagick.org/archive/binaries/ImageMagick-7.1.0-51-Q16-HDRI-x64-dll.exe

2、下载语言包，

GitHub - tesseract-ocr/tessdata: Trained models with support for legacy and LSTM OCR engine

下载后，打开压缩文件，将文件复制到C:\Program Files (x86)\Tesseract-OCR\tessdata目录下（实际上可以放在C:\Program Files (x86)\Tesseract-OCR目录下）

3、下载gs1000w64.exe

Ghostscript : Downloads

4、下载tika-server.jar 

http://search.maven.org/remotecontent?filepath=org/apache/tika/tika-server/1.24/tika-server-1.24.jar

5、下载tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414

https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe

6、下载tesseract-ocr-w64-v5.0.0.exe

进入https://pan.baidu.com/s/1qXumxdltxOnb0geaE_1U-Q​​

示例：

def extract_text(file_name):
   extract_text = ''  # 用于存储提取的文本
   doc = fitz.open(file_name)
   # 遍历每一页pdf
   print('pages:',len(doc))
   for i in range(len(doc)):
      img_list = doc.get_page_images(i)  # 提取该页中的所有img
      # 遍历每页中的图片，
      for num, img in enumerate(img_list):
         img_name = f"d:/pdfall2txt/{i + 1}{num + 1}.png"  # 存储的图片名
         pix = fitz.Pixmap(doc, img[0])  # image转pixmap
         if pix.n - pix.alpha >= 4:  # 如果差值大于等于4，需要转化后才能保存为png
            pix = fitz.Pixmap(fitz.csRGB, pix)
         pix.save(img_name)  # 存储图片
         pix = None  # 释放Pixmap资源
         image = Image.open(img_name)
         text = pytesseract.image_to_string(image, 'chi_sim')  # 调用tesseract，使用中文库，要求库文件放在C:\Program Files (x86)\Tesseract-OCR目录想
         extract_text += text  # 写入文本
         os.remove(img_name)
   return extract_text