Skip to main content
 首页 » 编程设计

python之将远程 PDF 的页面转换为 OCR 的临时图像

2025年05月04日9wayfarer

我有一个远程 PDF 文件,我需要逐页阅读并将每个文件传递给 OCR,OCR 会给我它的 OCR 文本。

import pytesseract 
from pyPdf import PdfFileWriter, PdfFileReader 
import cStringIO 
from wand.image import Image 
import urllib2 
import tempfile 
import pytesseract 
from PIL import Image 
 
remoteFile = urllib2.urlopen(urllib2.Request("file:///home/user/Documents/TestDocs/test.pdf")).read() 
memoryFile = cStringIO.StringIO(remoteFile) 
 
pdfFile = PdfFileReader(memoryFile) 
for pageNum in xrange(pdfFile.getNumPages()): 
    currentPage = pdfFile.getPage(pageNum) 
 
    ## somehow convert currentPage to wand type 
    ## image and then pass to tesseract-api 
    ## 
    ## TEMP_IMAGE = some conversion to temp file 
    ## pytesseract.image_to_string(Image.open(TEMP_IMAGE)) 
 
memoryFile.close() 

我想过使用 cStringIO 或 tempfile 但我不知道如何将它们用于此目的。

如何解决这个问题?

请您参考如下方法:

执行此操作有几个选项,根据您提供的代码,更兼容的方法是将图像临时存储在该目录中,然后在使用 pytesseract 读取文本后将其删除。我创建了一个魔杖类型的图像,以分别从 PDF 中提取每个图像,然后将其转换为 pytesseract 的 PIL 类型图像。这是我为此使用的代码,将检测到的文本写入数组“文本”,其中每个元素都是原始 PDF 中的图像,我还更新了一些导入以使其与 Python3 兼容(cStringIO->io 和 urllib2 ->urllib.request).

import PyPDF2 
import os 
import pytesseract 
from wand.image import Image 
from PIL import Image as PILImage 
import urllib.request 
import io 
 
with urllib.request.urlopen('file:///home/user/Documents/TestDocs/test.pdf') as response: 
    pdf_read = response.read() 
    pdf_im = PyPDF2.PdfFileReader(io.BytesIO(pdf_read)) 
    text = [] 
    for p in range(pdf_im.getNumPages()): 
        with Image(filename='file:///home/user/Documents/TestDocs/test.pdf' + '[' + str(p) + ']') as img: 
            with Image(image = img) as converted: #Need second with to convert SingleImage object from wand to Image 
                converted.save(filename=tempFile_Location) 
                text.append(pytesseract.image_to_string(PILImage.open(tempFile_Location))) 
                os.remove(tempFile_Location) 

或者,如果您想避免为每个图像创建和删除临时文件,您可以使用 numpy 和 OpenCV 将图像提取为 blob,将其转换为 numpy 数组,然后将其转换为 PIL 图像以供 pytesseract 使用对 ( reference) 执行 OCR

import PyPDF2 
import os 
import pytesseract 
from wand.image import Image 
from PIL import Image as PILImage 
import urllib.request 
import io 
import numpy as np 
import cv2 
 
with urllib.request.urlopen('file:///home/user/Documents/TestDocs/test.pdf') as response: 
    pdf_read = response.read() 
    pdf_im = PyPDF2.PdfFileReader(io.BytesIO(pdf_read)) 
    text = [] 
    for p in range(pdf_im.getNumPages()): 
        with Image(filename=('file:///home/user/Documents/TestDocs/test.pdf') + '[' + str(p) + ']') as img: 
            img_buffer=np.asarray(bytearray(img.make_blob()), dtype=np.uint8) 
            retval = cv2.imdecode(img_buffer, cv2.IMREAD_GRAYSCALE) 
            text.append(pytesseract.image_to_string(PILImage.fromarray(retval)))