Python中图片与PDF识别文本(OCR)的全面指南_Python

一、ocr技术核心原理

ocr（光学字符识别）是将图像中的文字转换为机器编码文本的技术，其工作流程分为四个关键阶段：

图像预处理：通过灰度化、二值化、降噪、旋转校正等操作提升图像质量
文本检测：定位图像中的文本区域（ctpn、east等深度学习模型）
字符识别：识别文本区域中的具体字符（crnn、attention-ocr等模型）
后处理：利用词典、语言模型优化识别结果

二、python图像识别四大工具库

1. pytesseract - 经典ocr引擎

import pytesseract
from pil import image

# 基本识别
text = pytesseract.image_to_string(image.open('invoice.jpg'))
print(text)

# 进阶配置（指定语言和引擎）
config = r'--oem 3 --psm 6 -l eng+chi_sim'
detailed_text = pytesseract.image_to_string(
    image, 
    config=config
)

2. easyocr - 多语言识别新秀

import easyocr

reader = easyocr.reader(['ch_sim','en'])  # 支持80+语言
results = reader.readtext('menu.png', 
                         detail=0,       # 简化输出
                         paragraph=true)  # 保持段落结构

for result in results:
    print(result[1])  # 输出识别文本

3. paddleocr - 国产高性能解决方案

from paddleocr import paddleocr

ocr = paddleocr(use_angle_cls=true, lang="ch")
result = ocr.ocr('contract.jpg', cls=true)

# 结构化输出识别结果
for line in result:
    print(f"位置: {line[0]}, 文本: {line[1][0]}, 置信度: {line[1][1]:.2f}")

4. ocrmypdf - pdf专用处理工具

# 命令行工具（需单独安装）
ocrmypdf --output-type pdfa input_scanned.pdf output_searchable.pdf

三、pdf文本识别专项技术

pdf类型识别策略：

graph td
a[pdf文件] --> b{包含文本层？}
b -->|是| c[直接提取文本<br>pypdf2/pdfplumber]
b -->|否| d[转换为图像<br>pdf2image]
d --> e[ocr识别]
e --> f[重建带文本层pdf]

代码实现：

# 文本型pdf提取
import pdfplumber

with pdfplumber.open('text_document.pdf') as pdf:
    all_text = ''.join(page.extract_text() for page in pdf.pages)

# 扫描版pdf处理
from pdf2image import convert_from_path
import pytesseract

images = convert_from_path('scanned_doc.pdf', dpi=300)
for i, image in enumerate(images):
    text = pytesseract.image_to_string(image, lang='eng')
    print(f"page {i+1}:\n{text}\n{'-'*50}")

四、提升ocr精度的关键技巧

图像预处理增强

import cv2

def preprocess_image(img_path):
    img = cv2.imread(img_path)
    gray = cv2.cvtcolor(img, cv2.color_bgr2gray)
    thresh = cv2.threshold(gray, 0, 255, 
                          cv2.thresh_binary | cv2.thresh_otsu)[1]
    denoised = cv2.fastnlmeansdenoising(thresh, h=30)
    return denoised

版面分析优化（使用layoutparser）

import layoutparser as lp

model = lp.detectron2layoutmodel('lp://publaynet/faster_rcnn_r_50_fpn_3x/config')
image = lp.load_image('paper.png')
layout = model.detect(image)

# 按区域提取文本
text_blocks = [b for b in layout if b.type=='text']
for block in text_blocks:
    segment_image = block.pad(20).crop_image(image)
    print(pytesseract.image_to_string(segment_image))

多引擎结果融合

from difflib import sequencematcher

def ocr_ensemble(img_path):
    tesseract_res = pytesseract.image_to_string(img_path)
    easyocr_res = ''.join(easyocr.reader(['en']).readtext(img_path, detail=0))
    
    # 相似度加权融合
    similarity = sequencematcher(none, tesseract_res, easyocr_res).ratio()
    if similarity > 0.9:
        return max(tesseract_res, easyocr_res, key=len)
    else:
        return f"tesseract:\n{tesseract_res}\n\neasyocr:\n{easyocr_res}"

五、云端ocr服务对比

服务商	免费额度	多语言支持	特色功能
google vision	1000页/月	✔️ 230+种	数学公式识别
azure cognitive	5000页/月	✔️ 164种	手写体识别
aws textract	1000页/月	✘ 主要西方语言	表格结构保持
baidu ocr	1000次/天	✔️ 主流语言	身份证/营业执照专用模型

六、典型应用场景

财务票据处理 - 自动识别发票金额、税号

古籍数字化 - 处理特殊字体和版面

法律文件解析 - 保持原始格式的合同分析

教育资料转换 - 数学公式识别（latex输出）

医疗记录处理 - 识别医生手写处方

七、性能优化实践

# gpu加速（以paddleocr为例）
ocr = paddleocr(use_gpu=true, gpu_mem=5000)  # 分配5gb显存

# 批量处理并行化
from concurrent.futures import threadpoolexecutor

def process_image(img_path):
    return pytesseract.image_to_string(img_path)

with threadpoolexecutor(max_workers=8) as executor:
    results = list(executor.map(process_image, image_paths))