從 PDF 中提取文本一直是很多人的需求。市面上的工具雖然能處理大部分?jǐn)?shù)字 PDF，但遇到掃描件 PDF 時(shí)往往無(wú)能為力，想要直接復(fù)制或獲取其中的文字并不容易。其實(shí)這個(gè)問(wèn)題并不是沒(méi)有解法 —— 本文將帶你了解如何借助 Python + OCR 技術(shù)，從掃描 PDF 中提取可編輯文本。

為什么提取掃描件 PDF 需要用到 OCR 技術(shù)

在探討如何從掃描件 PDF 中提取文本之前，我們先來(lái)了解一下 OCR 技術(shù) 及其重要性。

OCR（Optical Character Recognition，光學(xué)字符識(shí)別），是一種將圖像或視頻中的文字內(nèi)容轉(zhuǎn)化為可編輯文本的技術(shù)。它不僅能識(shí)別字符，還能保留一定的排版信息，因此被廣泛應(yīng)用在文檔數(shù)字化、檔案管理以及數(shù)據(jù)提取等場(chǎng)景中。

為什么提取掃描件 PDF 的文本離不開(kāi) OCR？原因在于 PDF 文件主要分為兩類(lèi)：

• 標(biāo)準(zhǔn) PDF（數(shù)字 PDF）：文檔中的文字是以字符形式存儲(chǔ)的，可以直接復(fù)制、搜索和提取。
• 掃描件 PDF：內(nèi)容本質(zhì)上是圖片，不包含可識(shí)別的文本信息，傳統(tǒng)的提取方法無(wú)法處理。

因此，當(dāng)面對(duì)掃描件 PDF 時(shí)，OCR 技術(shù)就顯得尤為必要，它能幫助我們將圖片中的文字識(shí)別出來(lái)，轉(zhuǎn)換為真正可操作的文本。

安裝必要的 Python 庫(kù)

在了解了基礎(chǔ)知識(shí)之后，我們進(jìn)入到 工具準(zhǔn)備環(huán)節(jié)。本文將主要使用兩款庫(kù)：Spire.PDF for Python 和 Spire.OCR for Python。有了它們，處理掃描件 PDF 并提取文本會(huì)變得高效而簡(jiǎn)單。

• Spire.PDF：負(fù)責(zé)將掃描件 PDF 轉(zhuǎn)換為適合 OCR 處理的圖片。
• Spire.OCR：對(duì)這些圖片進(jìn)行文字識(shí)別，并輸出可編輯的文本內(nèi)容。

它們的安裝方式十分便捷，只需在命令行中運(yùn)行以下命令：

pip install spire.pdf
pip install spire.ocr

除了使用 pip 安裝外，你也可以前往 E-iceblue 官網(wǎng) 下載相應(yīng)的安裝包并手動(dòng)安裝。

通過(guò) Python 將 PDF 轉(zhuǎn)換為圖像

正如前面提到的，OCR 無(wú)法直接處理 PDF 文件，尤其是掃描件 PDF。因此，第一步我們需要先將其轉(zhuǎn)換為圖片。借助 Spire.PDF，這個(gè)過(guò)程十分簡(jiǎn)便：只需加載 PDF 文檔，遍歷頁(yè)面，然后調(diào)用 PdfDocument.SaveAsImage() 方法，就能將每一頁(yè)保存為圖像文件。

在保存時(shí)，你還可以根據(jù)需求選擇 PNG、JPG 或 BMP 等常見(jiàn)格式。下面的示例代碼演示了如何使用 Python 將掃描件 PDF 轉(zhuǎn)換為 PNG 圖片：

from spire.pdf import *

# 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("E:/Administrator/Python1/input/AI繪畫(huà)的利與弊.pdf")

# 遍歷 PDF 頁(yè)面
for i in range(pdf.Pages.Count):
    # 將每一頁(yè)轉(zhuǎn)換為圖像
    with pdf.SaveAsImage(i) as image:
        
        # 保存圖像
        image.Save(f"E:/Administrator/Python1/output/pdftoimage/ToImage_{i}.png")
        # image.Save(f"Output/ToImage_{i}.jpg")
        # image.Save(f"Output/ToImage_{i}.bmp")

pdf.Close()

OCR 識(shí)別并提取掃描件 PDF 中的文本

完成 PDF 轉(zhuǎn)圖片 的步驟后，我們就可以進(jìn)入核心環(huán)節(jié)——使用 OCR 掃描圖片并提取文字。借助 OcrScanner.Scan() 方法，這個(gè)過(guò)程非常簡(jiǎn)單。它不僅能夠從圖片中獲取文本，還支持包括 中文、英文、法語(yǔ) 在內(nèi)的多種語(yǔ)言識(shí)別，可以做到“一字不落”。

下面的示例演示了如何在 Python 中調(diào)用 OCR，對(duì)前一步生成的 PDF 圖片進(jìn)行文字識(shí)別，并將結(jié)果保存為 .txt 文檔：

from spire.ocr import *

# 創(chuàng)建 OCR 掃描器實(shí)例
scanner = OcrScanner()

# 配置 OCR 模型路徑和語(yǔ)言
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'E:/DownloadsNew/win-x64/'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)

# 使用 OCR 掃描圖片
scanner.Scan(r'E:/Administrator/Python1/output/pdftoimage/ToImage_0.png')

# 將提取的文本保存為文本文件
text = scanner.Text.ToString()
with open('E:/Administrator/Python1/output/掃描件PDF文本提取.txt', 'a', encoding='utf-8') as file:
    file.write(text + '\n')

結(jié)論

通過(guò)本文的示例，我們完成了從掃描件 PDF 轉(zhuǎn)換為圖片，再利用 OCR 技術(shù)識(shí)別并提取文本的全過(guò)程。借助 Spire.PDF for Python 和 Spire.OCR for Python，這一流程不僅簡(jiǎn)單高效，而且對(duì)多語(yǔ)言的支持也非常友好。如果你也在尋找快速處理掃描件 PDF 的方法，不妨嘗試一下這兩個(gè)庫(kù)。

到此這篇關(guān)于Python使用OCR實(shí)現(xiàn)提取掃描PDF的文本的文章就介紹到這了,更多相關(guān)Python提取掃描PDF內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論