光学字符识别 (OCR) 技术在数字化各种来源(包括 PDF 文档)的打印、扫描或手写文本方面发挥着关键作用。在这篇博文中，我们将学习如何使用 Python 对 PDF 文档进行 OCR 并从 PDF 中提取文本。
本文涵盖以下主题：
PDF 到 TXT - Python OCR API
我们将使用 Aspose.OCR for Python 对 PDF 文档执行 OCR 并从 PDF 中提取文本。 Aspose.OCR for Python 是一个功能强大的光学字符识别 (OCR) API，可以识别扫描图像、智能手机照片、屏幕截图和图像区域中的文本。 API 以最流行的文档和数据交换格式(包括 PDF、XML、JSON 和纯文本)返回已识别的文本结果。
除了将图像转换为文本之外，Aspose.OCR for Python 还可以基于扫描创建可搜索的 PDF。该 API 还可以自动更正已识别文本中的拼写错误，使其成为各种应用程序的理想选择。
请下载软件包或在控制台中使用以下 pip 命令从 PyPI 安装 API：
pip install aspose-ocr-python-net
Python OCR PDF - 在 Python 中从 PDF 中提取文本
我们可以按照以下步骤对PDF文档进行OCR并提取识别出的文本：
- 创建 AsposeOcr 类的实例。
- 初始化 DocumentRecognitionSettings 类的对象。
- 将 PDF 文件添加到识别批次中。
- 之后，调用 recognize() 方法。
- 最后，使用 RecognitionResult 类显示识别的文本。
以下示例代码演示了如何使用 Python 对 PDF 文档进行 OCR 并从 PDF 中提取文本。
# 此代码示例演示如何使用 Python 从扫描的 PDF 文档中识别和提取文本。
import aspose.ocr as ocr
# 初始化 OCR 引擎
api = ocr.AsposeOcr()
# 初始化识别设置
settings = ocr.RecognitionSettings()
settings.auto_denoising = True
settings.auto_contrast = True
# 将文件添加到识别批次
files = ocr.OcrInput(ocr.InputType.PDF)
# 访问扫描的 PDF 并设置页码和总页数
files.add("C:\\Files\\sample.pdf", 0, 1)
# 识别文字
result = api.recognize(files , settings)
# 打印识别结果
print(result[0].recognition_text)
Python OCR PDF - 在 Python 中将扫描的 PDF 保存为文本
我们可以按照以下步骤对PDF文档进行OCR并保存识别的文本：
- 创建 AsposeOcr 类的实例。
- 初始化 DocumentRecognitionSettings 类的对象。
- 将 PDF 文件添加到识别批次中。
- 之后，调用 recognize() 方法。
- 最后，使用 savemultipagedocument() 方法保存文本。它将输出文件路径、SaveFormat 和 RecognitionResult 对象作为参数。
以下示例代码展示了如何 OCR PDF 文档并在 Python 中保存识别的文本。
# 此代码示例演示如何使用 Python 保存识别和提取文本。
import aspose.ocr as ocr
# 初始化 OCR 引擎
api = ocr.AsposeOcr()
# 初始化识别设置
settings = ocr.RecognitionSettings()
settings.auto_denoising = True
settings.auto_contrast = True
# 将文件添加到识别批次
files = ocr.OcrInput(ocr.InputType.PDF)
# 访问扫描的 PDF 并设置页码和总页数
files.add("C:\\Files\\sample.pdf", 0, 1)
# 识别文字
result = api.recognize(files , settings)
# 打印识别结果
print(result[0].recognition_text)
# 保存提取的文本
api.save_multipage_document("C:\\Files\\sample_out.txt", ocr.SaveFormat.TEXT, result)
获取免费评估许可证
您可以获得免费的临时许可证来试用该库，而不受评估限制。
Python OCR PDF - 免费资源
您可以进一步探索以下资源来学习Python OCR API：
结论
在本文中，我们学习了如何使用 Python 对 PDF 文档执行 OCR 并从 PDF 中提取文本。使用 OCR 从 PDF 中提取文本的能力改变了许多行业的游戏规则，从归档和法律文档到数据分析和内容数字化。通过利用 Aspose.OCR for Python，开发人员和爱好者可以将 OCR 功能无缝集成到他们的 Python 项目中。如有任何疑问，请随时通过我们的免费支持论坛与我们联系。