「原创文章」python实现PDF转换TXT格式pytesseract详解

pytesseract介绍：

pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。

什么是OCR？

OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据，比如1G的硬盘可以存储数百万本书。

OCR可以做什么？

OCR技术可以将图片，纸质文档中的文本转换为数字形式的文本。OCR过程一般包括以下步骤：

图像预处理/文本定位/字符分割/字符识别/后处理，最初由惠普开发，后来Google赞助的开源OCR引擎 tesseract 提供了比较精确的文字识别API，支持100多种语言，本文将要介绍的Python库Pytesseract就是基于Tesseract-OCR 引擎。

环境要求：（win环境和liunx均可）

• Python 3.6+

• PIL库

• 安装Google Tesseract OCR

• 系统：windows/mac/linux，我的系统是Windows10

软件安装：（win环境支持）

Tesseract OCR github地址：https://github.com/tesseract-ocr/tesseract

Windows Tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/

Mac和Linux安装方法参考：https://tesseract-ocr.github.io/tessdoc/Installation.html

安装时可以选择需要的语言包：

安装完成后，添加到环境变量PATH中，我的安装路径是：C:\Program Files\Tesseract-OCR 。

命令行窗口输入：tesseract ，查看是否安装成功。

温馨提示：最好不要安装到C盘因为有些电脑需要管理员权限

安装pytesseract（python环境依赖）

pip安装pytesseract，Python tesseract：https://github.com/madmaze/pytesseract

pip install pytesseract

程序案例：

import fitzfrom PIL import Imageimport pytesseract   def extract_text_and_images_from_pdf(self):        if not os.path.exists(self.pdf_path):            log.error("执行失败：运行环境没有pdf存储路径")            return         # 创建图像文件夹（如果不存在）        os.makedirs(self.image_folder, exist_ok=True)        log.info("执行成功：图片存储路径读取成功")         # 打开Step 1 pdf_file路径下保存的pdf        with fitz.open(self.pdf_file) as doc:            log.info("执行成功：读取存储路径PDF成功")            # 判断 PDF 是否包含文本内容            has_text = False             extracted_text = ""            extracted_image_text = ""             # 遍历pdf和分页中的文本结果            for i in range(len(doc)):                page = doc.load_page(i)                text = page.get_text()                 # 如果文本存在                if text:                    has_text = True                    # pdf中分页合并输出文本                    extracted_text += f"Page {i + 1}: {text}"                    log.info(f"执行成功：ORC程序成功获取到PDF第(Page {i + 1})页文本信息")                 # 获取所有的图片数量记作i                images = doc.get_page_images(i)                # 遍历所有pdf中的图片，然后将图片保存                for j, img in enumerate(images):                    xref = img[0]                    pix = fitz.Pixmap(doc, xref)  # 从图像创建 pixmap                    img_path = None                    # 处理pdf图片中的核心方法                    if pix.n - pix.alpha < 4:  # 可以直接保存为 PNG                        img_width, img_height = pix.width, pix.height                         # 设置一个阈值，比如小于100像素的图片不保存                        if img_width >= 100 and img_height >= 100:                            img_path = os.path.join(self.image_folder, f"p{i + 1}-{j + 1}.png")                            pix.save(img_path)                            log.info(f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张PNG图片信息")                        else:                            log.info(                                f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张PNG图片尺寸较小，不保存")                     else:  # CMYK 图像：必须先转换为 RGB                        pix0 = fitz.Pixmap(fitz.csRGB, pix)                        img_width, img_height = pix.width, pix.height                         # 设置一个阈值，比如小于100像素的图片不保存                        if img_width >= 100 and img_height >= 100:                            img_path = os.path.join(self.image_folder, f"p{i + 1}-{j + 1}.png")                            pix0.save(img_path)                            log.info(f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张RGB图片信息")                        else:                            log.info(                                f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张RGB图片尺寸较小，不保存")                        pix0 = None  # 释放 Pixmap 资源                     pix = None  # 释放 Pixmap 资源                     if img_path is not None:                        img_text = pytesseract.image_to_string(Image.open(img_path))                        extracted_image_text += img_text             # 文本值没有获取到时输出log，用来区分order_id和shipping notes是从哪里获取到的文本            if not has_text:                log.info("执行成功：ORC程序没有获取到文本信息")         self.clear_folder()        log.info("执行成功：清空已完成遍历的PDF图片文件")        # 将文本生成的text和图片OCR识别到的text合并为一个        merged_text = extracted_text + extracted_image_text        merged_text = merged_text.replace(" ", "").replace("\n", "")        log.info("执行成功：提取到PDF和图片合并文本信息")        return merged_text

适用场景：

想通过打印面单上面的文字是否存在，或者系统生成的pdf是否包含自己自定义的文字内容。

实现目标：

通过以上代码实现：当没有pdf路径时创建自动创建，再之前的步骤中已在路径下生成了pdf临时存在本地的指定文件夹路径下。

1.然后打开pdf，首先判断pdf中是否存在文本值，如果存在则打上标记。

2.获取pdf中所有的图片个数，然后将其按照 if pix.n - pix.alpha的方式判断是否格式可以存为png。

3.添加图片尺寸验证，防止图片过小。

4.pytesseract.image_to_string将图片转为文字，遍历所有图片将所有的文字合并返回结果。

部分调试：

（图片获取结果）

（图片转为text）