你們聽說過使用Python進行OCR識別操作嗎？在Python中，最出名的庫便是Google所資助的tesseract。利用tesseract可以很輕松地對圖像進行識別?，F(xiàn)在問題來了，如果想對一個PDF文檔進行OCR識別，該怎么做呢?

　　1.安裝tesseract

　　在不同的系統(tǒng)中安裝tesseract非常容易。為了簡便，我們以Ubuntu為例。在Ubuntu中你僅僅需要運行以下命令:

　　這將會安裝支持3種不同語言的tesseract。

　　2.安裝PyOCR

　　現(xiàn)在我們還需要安裝tesseract的Python接口。幸運的是，有許多出色的Python接口。我們采用最新的一個：

　　3.安裝Wand和PIL

　　在我們開始之前，還需要另外安裝兩個依賴包。一個是Wand。它是Imagemagick的Python接口。我們需要使用它來將PDF文件轉(zhuǎn)換成圖像：

　　我們也需要PIL因為PyOCR需要使用它。你可以查看官方文檔以確定如何將PIL安裝到你的操作系統(tǒng)中。

　　4.熱身

　　讓我們開始我們的腳本吧。首先，我們需要導(dǎo)入一些重要的庫：

　　注意：我將從PIL導(dǎo)入的Image模塊改名為PI了，因為如果不這樣做的話，它將和wand.image模塊發(fā)生重名沖突。

　　5.開始

　　現(xiàn)在我們需要獲得OCR庫(在本例中，即tesseract)的句柄以及我們在PyOCR中將使用的語言：

　　我們使用tool.get_available_languages里的第二種語言，因為之前我曾嘗試過，第二種語言就是英語。

　　接著，我們需要建立兩個列表，用于存儲我們的圖像和最終的文本。

　　下一步，我們需要采用wand將一個PDF文件轉(zhuǎn)成jpeg文件。讓我們試一試吧!

　　注意：將PDF_FILE_NAME替換成當(dāng)前路徑下的一個可用的PDF文件名。

　　wand 已經(jīng)將PDF中所有的獨立頁面都轉(zhuǎn)成了獨立的二進制圖像對象。我們可以遍歷這個大對象，并把它們加入到req_image序列中去。

　　現(xiàn)在，我們僅僅需要在圖像對象上運行OCR即可，非常簡單：

　　現(xiàn)在，所有識別出的文本已經(jīng)加到了final_text序列中了。你可以任意地使用它。我希望這個教程能夠幫助到你們!