很多pdf文件文字識別軟件都會收費，免費的網頁版可能會帶來信息泄露，還有一些類似于騰訊AI和百度AI的接口都有調用次數限制，因此，利用識別正確率極高且免費的cnocr庫來自己動手做個pdf文件文字識別程序就是一個很不錯的選擇。以下程序利用pymupdf打開pdf文件并將頁面圖像數據讀出，然后用numpy將pymupdf讀取的頁面圖像轉換為cnocr能夠接受的np.ndarray格式的圖像數據，再由cnocr進行文字識別。numpy、pymupdf和cnocr庫的安裝都可以用pip install指令簡單完成，不多贅述。

import numpy as np
from cnocr import CnOcr
from pymupdf import pymupdf


def pdf2txt(input_file, output_file, start_page=0, page_count=-1):
    """
    將掃描的pdf文件中指定的頁面范圍內的內容轉換成文本文件
    :param input_file: 要識別的pdf文件的相對或絕對路徑，包含文件名的字符串
    :param output_file: 保存識別結果的txt文件的相對或絕對路徑
    :param start_page: 識別起始頁面，默認為第1頁
    :param page_count: 識別的頁數，默認為所有頁面
    :return:
    """
    pdf = pymupdf.open(input_file)
    count = pdf.page_count

    if start_page < 0:
        start_page = 0
    if page_count < 0 or page_count + start_page > count:
        end_page = count
    else:
        end_page = page_count + start_page
    # 如CnOcr的識別模型尚未下載，以下語句執(zhí)行時CnOcr會自動下載模型并解壓到用戶目錄下的AppData\\Roaming\\cnocr\\cnocr版本號下
    # 也可以在初始化時指定rec_model_fp參數給出模型所在的相對路徑或絕對路徑指定識別模型，如以下示例（因以下路徑是我的電腦上的默認路徑，
    # 因此下面兩行代碼與ocr = CnOcr(）完全等價
    ocr = CnOcr(rec_model_fp='C:\\Users\\asus\\AppData\\Roaming\\cnocr\\2.3\\densenet_lite_136-gru'
                             '\\cnocr-v2.3-densenet_lite_136-gru-epoch=004-ft-model.onnx')
    print(start_page, end_page)

    with open(output_file, 'w', encoding='utf-8') as f:
        for i in range(start_page, end_page):
            page = pdf[i]
            pix = page.get_pixmap()
            width = pix.width
            height = pix.height
            # pixmap轉換為nympy.ndarray，供CnOcr識別
            image = np.frombuffer(pix.samples, dtype=np.uint8).reshape(height, width, pix.n)
            res = ocr.ocr(image)
            string_list = []
            for val in res:
            	# 注意這是2.2版本以后的cnocr讀取識別結果的方式與2.1版本已經不同
            	# 如果cnocr識別結果總是一些textscoreposition字符串，那就是用了老版的方式
                string_list.append(val['text'])

            ocr_result_string = '\n'.join(string_list)
            f.write(ocr_result_string)  # 這行代碼自帶文件關閉功能，不需要再寫 f.close()
            print(f'page{i + 1} finished.')

    pdf.close()


input_file = f'test.pdf'
output_file = 'test.txt'
pdf2txt(input_file, output_file, 500, 522)

需要注意的是，在讀取cnocr的識別結果時，如果安裝的cnocr版本低于2.2，那么

以上代碼中的

for val in res:
    string_list.append(val['text'])

要改成下面這樣：

for i in range(len(res)):
    for j in res[i]:
        string_list.append(j)

但是2.2版本以后的cnocr如果仍然用以上方式，那么取出的識別結果將是一串“textscoreposition”。

下面是以上程序識別曹植集校注中一頁的結果：

(本冥指隱蔽偏鮮之處。此言卡太后即使在獨處之時也很謹慎,在隱
游之處電依禮行。
5〔誠(juon)）潔也?！菜]）進獻。〔三牲）牛、羊、豬，指祭
品。此吉請凈地進獻祭品。(視)條配時主持條禮之人。
3〔宜享斯祜]應該享受知此之服。精:棋。宋本作“”?！裁?br />社〕即受桶。(肉特)鍋獎。(勉)月“免。即超免
四〔會街盡禮)條祀折特時湖盡禮數。篤)厚,指調情加重。
[密)痊愈。(終)指生命到終點。
等〔遺州)南植自指。(在收)指在優(yōu)傷久病之中。(部)指下太
后去世的內信?！矕|藩)洛陽東面的藩國。曹植時時東阿王。東阿在洛
陽東。[郊甸)郊野。丁本:《藝文類聚》作“晗。”家本亦作“除”。
哈指田地里的小路、與籌義同。(中原）原野之中。
中(皇址]望號。[遷)肉去。[峽復) 經常來看我。
等〔歲字)空貌，即人去限空。(巡省階除)在宮中的小道上巡視。
(仿佛碳軒在窗戶間仿佛著見了下太行的身影容艦。銀軒：窗戶。
就【韓梨)指下太后的居室。(兒益）兒席。座席。〔效故）改變
原承的樣子。
2〔酷指您傷全做。斯)如此。(墻)。(魏部)指鄴。曹操
界于都，下太后的是權專運到部與曹操合養(yǎng)。(日包）指鄴。〔隧）&
道?！财?《藝文類聚》、宋本俱作“將”。
3（嘆息露興)嘆息之氣粥如霧氣興起，形容送師人之多。〔幅
(r而））靈車。
容車飾駕，以合北展®
0丁本：“《文選》顏廷年《宋元泉后哀策文》李注引《上宜后請
&》.
-469.

原始掃描頁面100%縮放圖像如下：

可見準確率也還勉強可以接受。如果將圖像做個對比度增強并適當放大再識別，還可以進一步提高準確率。下面是使用OpenCV將圖片放大2倍后的識別結果，對比可以看出準確率有所提高：

(本冥〕指隱蔽偏解之處。此言卡太后即使在獨處之時也很謹慎，在隱
游之處也依禮間行。
S(磚(juon)）潔也。〔薦〕進獻。（三牲〕牛、羊、豬.指祭
品。此言潔凈地進獻祭品。(?！臣漓霑r主持祭禮之人。
3（宜享斯祜)應該享受知此之福。精:攝、宋本作“豬”?！裁?br />社〕即受福?！矁淳?禍火?！裁悖┰?ldquo;免”.即避免。
四〔云傳盡禮)條祀祈傳時湖盡禮數。篤)厚，指病情加重。
(瘡)經?！步K）指生命到終點。
多〔逸弧)曹植自指。（在款)指在優(yōu)傷久病之中。(諱)指下太
后去世的內信?！矕|洛)洛陽東面的等國。、曹植時村東阿王。東阿在洛
陽東。(郊甸)郊野。丁本:《藝文類聚》作“峰。”宋本亦作“時”。
哈指田地里的小路。與年義同。(中原）原野之中。
9(皇址)皇號。[遷〕肉去。[峽復〕經常來看我。
0〔歲凱）空貌，即人去屋空?！惭彩‰A涂）在宮中的小道上巡視。
(仿佛候軒)在窗戶間仿佛看見了卡太后的身影容顏。領軒：窗戶。
就〔韓蟹)指下太后的店室?！矁毫鳎﹥合Ｗ?。〔燙故）改變
原來的樣子。
心〔酷)指悲傷至極?！菜?如此。(秦)到?！参憾?指鄴。曹操
養(yǎng)于郎，下太后的是框要運到第與曹操合養(yǎng)。（舊色)指鄴。（能）眾
道?！财?《藝文類聚》、宋木供作“將”。
3（嘆息露興)嘆息之氣宛如霧氣興起，形容送葬人之多?！卜?br />(r而)）靈車。
容車飾駕，以合北辰®
0丁本：“《文選》顏廷年《宋元皇后哀策文》李注引《上宣后請
表.”
.469.

以上就是Python利用cnocr庫實現pdf文件的文字識別的詳細內容，更多關于Python cnocr pdf文字識別的資料請關注腳本之家其它相關文章！

最新評論