Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Esipuhe

Tämä pdf-tiedosto sopii aloitteleville Windows-käyttäjille, joilla ei ole perustietoja visuaalisesta tunnistamisesta. Pomo, ota kiertotie~~
Ilmoitus:
Tämän projektin PDF-tiedoston tekstintunnistus ei korjaa häiriöitä, kuten taulukoita, piirrostekstiä, vesileimoja jne. Siksi toivomme, että tällä toiminnolla käyttämäsi PDF-tiedostot eivät sisällä mahdollisimman paljon näitä häiriökohteita, jotta ne eivät vaikuta käännösvaikutus.

käsitellä asiaa

1. Rakenna ympäristö

Luo virtuaalinen python-ympäristö condalla

conda crate -n pp python==3.11

2. Asennuspaketti

Asenna mela ja mela
gpu versio

pip asennus paddlepaddle-gpu paddleocr

cpu-versio

pip install paddlemela paddleocr

pdf-kuvaksi työkalu

https://github.com/oschwartz10612/poppler-windows/releases

pip asennus pdf2image

3. Erityinen koodi

Oletetaan, että meillä on joukko pdf-tiedostoja pdf-kansiossa ja meidän on muutettava jokainen pdf-tiedosto vastaavaksi txt-tiedostoksi.Voit käyttää seuraavaa koodia

from pdf2image import convert_from_path
import cv2
import numpy as np
from PIL import Image
import os
# 将 PDF 文件转换为图片列表
files = os.listdir('pdf')

for file in files:
    if not file.endswith('.pdf'):
        print(file)
        continue
    txt = file.replace('.pdf', '.txt')
    if os.path.exists('txt/' txt):
        continue
    txt_writer = open('txt/' txt, 'w',encoding='utf-8')
    images = convert_from_path('pdf/' file)
    # print(type(images))
    # print(images[0])
    # image = cv2.cvtColor(np.array(images[0]), cv2.COLOR_RGB2BGR)


    from paddleocr import PaddleOCR, draw_ocr

    # 创建 PaddleOCR 实例
    ocr = PaddleOCR(use_angle_cls=True, lang='ch',use_gpu=True)  # 默认使用英文模型，可以通过 lang 参数切换到中文模型

    # 遍历每一张图片并识别文字
    for i, image in enumerate(images):
        print('第{}张图片'.format(i 1))
        # 转换图片为可用于识别的格式
        # source = image.convert('RGB')
        image = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)        # image.save(f'page_{i}.jpg')

        # 识别图片中的文字
        result = ocr.ocr(image, cls=True)

        # 打印识别结果
        try:
            for lines in result:
                for line in lines:
                    # print(line[1][0])
                    txt_writer.write(line[1][0] 'n')
        except:
            print(file '识别失败')
    txt_writer.close()

4. Huomio

Koska tämä koodi voi yksinkertaisesti purkaa PDF-tekstin, kun kuvat tai taulukot on tuotettu, sivun tunnistusvaikutus heikkenee