Python高效OCR：图片与扫描PDF文字识别全攻略

作者：暴富20212025.10.15 16:57浏览量：28

简介：本文深入探讨Python在图片与扫描PDF文字识别领域的应用，涵盖Tesseract OCR、PaddleOCR等工具的安装配置、基础使用及进阶优化技巧，助力开发者高效处理OCR任务。

在数字化时代，从图片和扫描PDF文档中提取文字信息已成为许多业务场景下的刚需。无论是自动化处理发票、合同，还是构建智能文档管理系统，高效的OCR（光学字符识别）技术都是关键。Python凭借其丰富的生态系统和易用性，成为实现这一目标的理想工具。本文将详细介绍如何使用Python识别图片和扫描PDF中的文字，从基础到进阶，覆盖主流OCR库的使用方法与优化策略。

一、OCR技术基础与Python生态

OCR技术通过模拟人类视觉系统，将图像中的文字转换为可编辑的文本格式。其核心流程包括图像预处理、字符识别、后处理校正三个阶段。Python生态中，Tesseract OCR、PaddleOCR、EasyOCR等库提供了强大的支持，各有特点：

  • Tesseract OCR：由Google维护的开源OCR引擎，支持100+种语言，社区活跃，适合处理清晰图片。
  • PaddleOCR：百度开源的OCR工具包，基于深度学习，对复杂背景、倾斜文字识别效果优异。
  • EasyOCR：基于深度学习的轻量级OCR库，支持80+种语言，安装简单，适合快速原型开发。

二、安装与配置OCR库

1. Tesseract OCR安装

Windows：

  • 下载Tesseract安装包（如tesseract-ocr-w64-setup-v5.3.0.20230401.exe）并安装。
  • 安装时勾选“Additional language data”以安装多语言支持。
  • 配置环境变量，将Tesseract安装路径（如C:\Program Files\Tesseract-OCR）添加到PATH。

Linux (Ubuntu)：

  1. sudo apt update
  2. sudo apt install tesseract-ocr
  3. sudo apt install libtesseract-dev
  4. # 安装中文语言包
  5. sudo apt install tesseract-ocr-chi-sim

MacOS：

  1. brew install tesseract
  2. # 安装中文语言包
  3. brew install tesseract-lang

2. Python绑定库安装

  1. pip install pytesseract pillow pdf2image
  2. # 对于PaddleOCR
  3. pip install paddleocr
  4. # 对于EasyOCR
  5. pip install easyocr

三、识别图片中的文字

1. 使用Tesseract OCR

  1. import pytesseract
  2. from PIL import Image
  4. # 设置Tesseract路径（Windows可能需要）
  5. # pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
  7. # 读取图片
  8. image = Image.open('example.png')
  10. # 识别文字
  11. text = pytesseract.image_to_string(image, lang='chi_sim')  # 中文简体
  12. print(text)

优化技巧：

  • 图像预处理：使用OpenCV进行二值化、去噪、旋转校正，提升识别率。

    1. import cv2
    2. import numpy as np
    4. def preprocess_image(image_path):
    5.     img = cv2.imread(image_path)
    6.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    7.     # 二值化
    8.     _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    9.     # 去噪
    10.     denoised = cv2.fastNlMeansDenoising(binary, None, 10, 7, 21)
    11.     return denoised
    13. processed_img = preprocess_image('example.png')
    14. text = pytesseract.image_to_string(processed_img, lang='chi_sim')

2. 使用PaddleOCR

  1. from paddleocr import PaddleOCR
  3. # 初始化OCR
  4. ocr = PaddleOCR(use_angle_cls=True, lang='ch')  # 中文识别
  6. # 识别图片
  7. result = ocr.ocr('example.png', cls=True)
  8. for line in result:
  9.     print(line[1][0])  # 文本内容

优势：

  • 支持表格识别、版面分析。
  • 对复杂背景、低分辨率图片识别效果更好。

四、识别扫描PDF中的文字

扫描PDF本质是图片集合，需先转换为图片再OCR。

1. 使用pdf2image转换PDF为图片

  1. from pdf2image import convert_from_path
  3. # 转换PDF为图片列表
  4. images = convert_from_path('example.pdf', dpi=300)  # dpi越高，清晰度越好
  6. # 对每张图片进行OCR
  7. for i, image in enumerate(images):
  8.     text = pytesseract.image_to_string(image, lang='chi_sim')
  9.     print(f"Page {i+1}:")
  10.     print(text)

2. 优化PDF处理

  • 分页处理：大PDF分批处理，避免内存溢出。

  • 多线程：使用concurrent.futures加速多页识别。

    1. from concurrent.futures import ThreadPoolExecutor
    3. def ocr_page(image):
    4.     return pytesseract.image_to_string(image, lang='chi_sim')
    6. images = convert_from_path('large.pdf', dpi=300)
    7. with ThreadPoolExecutor(max_workers=4) as executor:
    8.     results = list(executor.map(ocr_page, images))
    10. for i, text in enumerate(results):
    11.     print(f"Page {i+1}: {text[:50]}...")  # 打印前50字符

五、进阶优化与最佳实践

  1. 语言模型选择：根据文档语言选择合适的lang参数，如eng（英文）、chi_sim（中文简体）。

  2. 区域识别：对特定区域进行OCR，减少干扰。

    1. # 使用PaddleOCR的区域识别
    2. from paddleocr import draw_ocr
    3. import cv2
    5. img = cv2.imread('example.png')
    6. result = ocr.ocr(img, det_db_box_thresh=0.5, det_db_score_mode='fast')
    7. boxes = [line[0] for line in result]
    8. texts = [line[1][0] for line in result]
    9. # 绘制结果（可选）
    10. vis_img = draw_ocr(img, boxes, texts, font_path='simfang.ttf')
    11. cv2.imwrite('result.jpg', vis_img)

  3. 后处理校正：使用正则表达式、词典校正OCR结果。

    1. import re
    3. def correct_text(text):
    4.     # 示例：校正常见错误
    5.     text = re.sub(r'0', 'O', text)  # 将0替换为O
    6.     text = re.sub(r'1', 'l', text)  # 将1替换为l
    7.     return text
    9. raw_text = pytesseract.image_to_string(image, lang='eng')
    10. corrected_text = correct_text(raw_text)

  4. 批量处理与日志记录：记录处理进度与错误。

    1. import logging
    3. logging.basicConfig(filename='ocr.log', level=logging.INFO)
    5. def process_pdf(pdf_path):
    6.     try:
    7.         images = convert_from_path(pdf_path, dpi=300)
    8.         for i, img in enumerate(images):
    9.             text = pytesseract.image_to_string(img, lang='chi_sim')
    10.             logging.info(f"Processed page {i+1} of {pdf_path}")
    11.     except Exception as e:
    12.         logging.error(f"Error processing {pdf_path}: {str(e)}")

六、总结与展望

Python在图片与扫描PDF文字识别领域展现了强大的能力，通过Tesseract OCR、PaddleOCR等工具，结合图像预处理、多线程处理等技术，可高效完成OCR任务。未来，随着深度学习模型的优化，OCR的准确率与速度将进一步提升，为自动化文档处理、智能检索等场景提供更强支持。开发者应持续关注OCR库的更新，结合业务需求选择合适的工具与优化策略，以实现最佳效果。

最热文章