PDF Processing Pro Ocr

# PDF OCR 处理指南 从扫描的 PDF 和基于图像的文档中提取文本。 ## 快速入门 python import pytesseract from pdf2image import convert_from_path from PIL import Image # 将 PDF 转换为图像 images = convert_from_path("scanned.pdf") # 从每一页提取文本 for i, image in enumerate(images): text = pytesseract.image_to_string(image) print(f"第 {i+1} 页:n{text}n") ## 安装 ### 安装 Tesseract **macOS:** bash brew install tesseract **Ubuntu/Debian:** bash sudo apt-get install tesseract-ocr **Windows:** 下载地址: https://github.com/UB-Mannheim/tesseract/wiki ### 安装 Python 包 bash pip install pytesseract pdf2image pillow ## 语言支持 python # 英语 (默认) text = pytesseract.image_to_string(image, lang="eng") # 西班牙语 text = pytesseract.image_to_string(image, lang="spa") # 多语言 text = pytesseract.image_to_string(image, lang="eng+spa+fra") 安装其他语言： bash # macOS brew install tesseract-lang # Ubuntu sudo apt-get install tesseract-ocr-spa tesseract-ocr-fra ## 图像预处理 python from PIL import Image, ImageEnhance, ImageFilter def preprocess_for_ocr(image): """优化图像以提高 OCR 准确性。""" # 转换为灰度图 image = image.convert("L") # 增加对比度 enhancer = ImageEnhance.Contrast(image) image = enhancer.enhance(2.0) # 去噪 image = image.filter(ImageFilter.MedianFilter()) # 锐化 image = image.filter(ImageFilter.SHARPEN) return image # 用法 image = Image.open("scanned_page.png") processed = preprocess_for_ocr(image) text = pytesseract.image_to_string(processed) ## 最佳实践 1. **预处理图像**以获得更好的准确性 2. **使用合适的语言**模型 3. **批量处理**大型文档 4. **缓存结果**以避免重复处理 5. **验证输出** - OCR 并非 100% 准确 6. **考虑置信度分数**以进行质量检查 ## 生产环境示例 python import pytesseract from pdf2image import convert_from_path from PIL import Image def ocr_pdf(pdf_path, output_path): """OCR PDF 并保存到文本文件。""" # 转换为图像 images = convert_from_path(pdf_path, dpi=300) full_text = [] for i, image in enumerate(images, 1): print(f"正在处理第 {i}/{len(images)} 页") # 预处理 processed = preprocess_for_ocr(image) # OCR