今天我们来说一下，如何使用python识别PDF中的文字。今天，我们用Python3, pillow, wand和三个python包，分别是Tesseract下的：textract，pytesseract和pyocr。

下面的内容，同样也适用于普通文本，但是这货识别结果不是百分百准确，所以后期不要忘记仔细检查它。

更高层次的识别或者说是更人性化的代码实现，我们放在下一期文章，这篇文章我们先来简单的进阶，并且我们会对比一下这几个识别模块的效率怎么样。

开始识别之前，我们可以准备一份PDF文档，然后转换为图片格式。

主要是除了textract之外，都不能使用pdf格式，所以我们应该将pdf文件转换为图像（jpg）。我们将使用wand这个类库。

from wand.image import Image as Img
with Img(filename='file_name.pdf', resolution=300) as img:
 img.compression_quality = 99
 img.save(filename='image_name.jpg')

现在我们可以使用包装器将新图像放到OCR中，然后使用regexp或其他任何文本工具（例如NLTK）查找所需的数字。但是这种方式有点白搭...

比较好的方法是你可以用一些绘图工具比如PS剪裁一下。

然后我们裁剪大图，然后提取里面的小图：

from PIL import Image
img = Image.open('image_name.jpg')
crop_img = img.crop((x1, y1, x2, y2))
crop_img.save('amount.jpg')

返回结果：

好的，现在我们可以开始识别我们的图像了。别忘了，只有textract可以打开图像，另一个需要使用pillow.

测试效果：

用textract识别：

import textract
text = textract.process('image.jpg', encoding='ascii', method='tesseract')

返回结果：

{'3rd Image': b'0.130

',
'1st Image': b'4.433

',
'4th Image': b'1M0

',
'5th Image': b'DJUG

',
'2nd Image': b''}

用pytesseract识别：

from PIL import Imageimport pytesseract
text = pytesseract.image_to_string(Image.open('image.jpg'))

返回结果：

{'5th Image': '0.00',
'3rd Image': '0.00',
'1st Image': '4.03',
'4th Image': '1W',
'2nd Image': ''}

用pytesseract识别：

import pyocrimport pyocr.buildersfrom PIL import Image
tools = pyocr.get_available_tools()[0]
text = tools.image_to_string(Image.open(image), builder=pyocr.builders.DigitBuilder())

返回结果：

{'4th Image': '1 300',
'1st Image': '4.03',
'2nd Image': '',
'3rd Image': '0.00',
'5th Image': '0.00'}

额...看起来效果不是很好，或者说有些残酷。识别率太低，为什么呢？会不会问题出在我们的图片上呢？

还真是，如果你们要从pdf文件中缩放提取的图像，你们会在图像中看到很多噪点。要解决这个问题，我们可以尝试将图像转换为单色模式（灰度）：

from PIL import Image
img = Image.open('image.jpg')img = img.convert('L')img.save('image.jpg')

然后….

看吧这个看起来好多了，我们重新运行来测试。

返回结果：

{'3rd Image': b'0.00

',
'5th Image': b'0.00

',
'4th Image': b'1000

',
'1st Image': b'4.03

',
'2nd Image': b''}

Pytesseract:

{'1st Image': '4.03',
'4th Image': '1000',
'5th Image': '0.00',
'2nd Image': '',
'3rd Image': '0.00'}

Pyocr:

{'5th Image': '0.00',
'3rd Image': '0.00',
'2nd Image': '',
'4th Image': '1000',
'1st Image': '4.03'}

所以，在这种情况下，除第二张图像外，所有的模块返回的数据都很准确。

总结：

Textract：Textract是一个很有前途的类库。它可以从pdf，gif，docx，png，jpg等中提取数据。但是这个包只能用于简单的pdf文件（没有表格，很多列等），而且这个包比较大（大约30mb左右）

Pytesseract：中规中矩的识别库，但没什么特别的。

Pyocr：很好用，具有更多功能的python包，比如你可以设置要识别的数据（句子，单词，数字等），可以使用Tesseract或Cuneiform，进行方向检测等等。