国外网站平台有哪些,wordpress关闭GZIP,网上注册公司需要什么材料和手续,wordpress四级级分类目录文章用于学习记录 文章目录 前言一、PDF 文件转换为图片二、OCR 图片文字识别提取三、服务器端下载运行 PaddleOCR四、下载权重文件总结 前言
文字识别#xff08;Optical Character Recognition#xff0c;简称OCR#xff09;是指将图片、扫描件或PDF、OFD文档中的打印字符… 文章用于学习记录 文章目录 前言一、PDF 文件转换为图片二、OCR 图片文字识别提取三、服务器端下载运行 PaddleOCR四、下载权重文件总结 前言
文字识别Optical Character Recognition简称OCR是指将图片、扫描件或PDF、OFD文档中的打印字符进行检测识别成可编辑的文本格式。 一、PDF 文件转换为图片
import datetime
import osimport fitz #pip install PyMuPDFdef pyMuPDF_fitz(pdfPath, imagePath):startTime_pdf2img datetime.datetime.now() # 开始时间print(imagePath imagePath)pdfDoc fitz.open(pdfPath)for pg in range(pdfDoc.pageCount):page pdfDoc[pg]rotate int(0)# 每个尺寸的缩放系数为1.3这将为我们生成分辨率提高2.6的图像。# 此处若是不做设置默认图片大小为792X612, dpi96zoom_x 1.33333333 # (1.33333333--1056x816) (2--1584x1224)zoom_y 1.33333333mat fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)pix page.getPixmap(matrixmat, alphaFalse)if not os.path.exists(imagePath): # 判断存放图片的文件夹是否存在os.makedirs(imagePath) # 若图片文件夹不存在就创建pix.writePNG(imagePath / images_%s.png % pg) # 将图片写入指定的文件夹内endTime_pdf2img datetime.datetime.now() # 结束时间print(pdf2img时间, (endTime_pdf2img - startTime_pdf2img).seconds)if __name__ __main__:# 1、PDF地址pdfPath ./pdf/note.pdf# 2、需要储存图片的目录imagePath pdfpyMuPDF_fitz(pdfPath, imagePath)AttributeError: ‘Document‘ object has no attribute ‘pageCount‘ PyMuPDF库由于 PyMuPDF 库更新导致的里面的一些函数名发生了变化将 pageCount 改为 page_count 将 preRotate 改为 prerotate 将 getPixmap 改为 get_pixmap 将 writePNG 改为 save这是要转换的 PDF 文件 修改后
import datetime
import osimport fitz # fitz就是pip install PyMuPDFdef pyMuPDF_fitz(pdfPath, imagePath):startTime_pdf2img datetime.datetime.now() # 开始时间print(imagePath imagePath)pdfDoc fitz.open(pdfPath)for pg in range(pdfDoc.page_count):page pdfDoc[pg]rotate int(0)# 每个尺寸的缩放系数为1.3这将为我们生成分辨率提高2.6的图像。# 此处若是不做设置默认图片大小为792X612, dpi96zoom_x 1.33333333 # (1.33333333--1056x816) (2--1584x1224)zoom_y 1.33333333mat fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)pix page.get_pixmap(matrixmat, alphaFalse)if not os.path.exists(imagePath): # 判断存放图片的文件夹是否存在os.makedirs(imagePath) # 若图片文件夹不存在就创建pix.save(imagePath / images_%s.png % pg) # 将图片写入指定的文件夹内endTime_pdf2img datetime.datetime.now() # 结束时间print(pdf2img时间, (endTime_pdf2img - startTime_pdf2img).seconds)if __name__ __main__:# 1、PDF地址pdfPath rD:\BaiduNetdiskDownload\PaddleOCR-release-2.7\PaddleOCR-release-2.7\pdf\note.pdf# 2、需要储存图片的目录imagePath rD:\BaiduNetdiskDownload\PaddleOCR-release-2.7\PaddleOCR-release-2.7\pdfpyMuPDF_fitz(pdfPath, imagePath)这是转换后的两张图片 二、OCR 图片文字识别提取
from paddleocr import PaddleOCR, draw_ocr# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
# 例如ch, en, fr, german, korean, japan
ocr PaddleOCR(use_angle_clsTrue, langch) # need to run only once to download and load model into memory
img_path ./pdf/images_0.png
result ocr.ocr(img_path, clsTrue)
for idx in range(len(result)):res result[idx]for line in res:print(line)# 显示结果
# 如果本地没有simfang.ttf可以在doc/fonts目录下下载
from PIL import Imageresult result[0]
image Image.open(img_path).convert(RGB)
boxes [line[0] for line in result]
txts [line[1][0] for line in result]
scores [line[1][1] for line in result]
im_show draw_ocr(image, boxes, txts, scores, font_pathdoc/fonts/simfang.ttf)
im_show Image.fromarray(im_show)
im_show.save(result.jpg)三、服务器端下载运行 PaddleOCR
git clone https://github.com/PaddlePaddle/PaddleOCR.git# 进入 pytorch 虚拟环境
conda activate pytorch# 命令行进入 PaddleOCR 文件夹下
cd PaddleOCR# 识别单张图片
python tools/infer/predict_system.py --image_dir./doc/imgs/11.jpg --det_model_dir./inference/ch_ppocr_mobile_v2.0_det_infer/ --rec_model_dir./inference/ch_ppocr_mobile_v2.0_rec_infer/ --cls_model_dir./inference/ch_ppocr_mobile_v2.0_cls_infer/ --use_angle_clsTrue --use_space_charTrue --use_gpuFalse报错 not find model.pdmodel or inference.pdmodel in ./inference/ch_ppocr_mobile_v2.0_det_infer/四、下载权重文件
权重链接地址
# 检测权重
https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar# 方向分类权重
https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar# 识别权重
https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_rec_infer.tar创建一个 inference 文件夹把前面解压后的三个文件夹放入 inference 中再把 inference 文件夹放入 PaddleOCR 中最终树形目录结构效果如下 再次检测报错问题解决 总结
以上就是 Python 实现 PDF 文件转换为图片以及快速使用 PaddleOCR 过程。
