解鎖嵌入字體 PDF 中的文字：pytesseract OCR 教學課程

當 PDF 為英文且沒有嵌入字體時，從 PDF 中提取文字通常很簡單。然而，一旦消除這些假設，使用 pdfminer 或 pdfplumber 等基本 Python 函式庫就變得具有挑戰性。上個月，我的任務是從古吉拉特語 PDF 中提取文本，並將姓名、地址、城市等資料欄位匯入 JSON 格式。

如果字體嵌入在 PDF 本身中，簡單的複製貼上將不起作用，並且使用 pdfplumber 將傳回不可讀的垃圾文字。因此，我必須將每個 PDF 頁面轉換為圖像，然後使用 pytesseract 庫應用 OCR 來「掃描」頁面，而不僅僅是閱讀它。本教學將向您展示如何做到這一點。

你需要的東西

• pdfplumber（Python 庫）
• pdf2image（Python 庫）
• pytesseract（Python 函式庫）
• tesseract-ocr

您可以使用 pip 指令安裝 Python 函式庫，如下所示。對於 Tesseract-OCR，請從官方網站下載並安裝軟體。 pytesseract 只是 tesseract 軟體的包裝。

將 PDF 頁面轉換為圖像

第一步是將 PDF 頁面轉換為影像。這個 extract_text_from_pdf() 函數正是這樣做的 - 您將 PDF 路徑和 page_num （零索引）傳遞為參數。請注意，為了清晰起見，我首先將頁面轉換為黑白，這是可選的。

ocr_image()函數使用pytesseract透過OCR從影像中擷取文字。 --oem 和 --psm 等技術參數控制影像的處理方式，-l guj eng 參數設定要讀取的語言。由於此 PDF 偶爾包含英文文本，因此我使用了 guj eng。

處理文字

使用 OCR 匯入文字後，您可以按照您想要的格式解析它。這與其他 PDF 庫（如 pdfplumber 或 pypdf2）類似。

每個 PDF 都有其必須考慮的細微差別。在這種情況下，當後續欄位（姓氏）變更時，第一個欄位中的新序號（如 0૧ 或 0૨）表示一個新群組。

pytesseract 是 IT 技術發展和進步的證明。大約十年前，在配置適度的 PC 或筆記型電腦上使用非英語 OCR 讀取或解析 PDF 影像幾乎是不可能的。這才是真正的進步！祝您編碼愉快，請在下面的評論中告訴我進展如何。

參考

• 在 Windows 中安裝 Tesseract
• 使用 pytesseract OCR 辨識影像中的文字
• 如何設定 pytesseract 以支援 Windows 10 中非英語語言的文字偵測？

以上是解鎖嵌入字體 PDF 中的文字：pytesseract OCR 教學課程的詳細內容。更多資訊請關注PHP中文網其他相關文章！