Python实现PDF转换文本详解 Python实现PDF转换文本详解

一、前言

1.1、为什么不使用传统的pdf 转文本工具呢？

二、实现过程

2.1、基于深度学习的 OCR 将 pdf 为文本

2.1.1、将 pdf 转换为图像
2.1.2、检测和识别图像中的文本
2.1.3、示例输出

总结

一、前言对很多人来说，将PDF转换为可编辑的文本是个刚需，却苦于没有简单的方法。发现 pdf 幻灯片，效果还不错。
传统的讲座通常伴随有很多pdf幻灯片。一般来说，想要对自己的讲座做笔记，需要从pdf复制、补充大量内容。
最近，来自 K1 Digital 的高级机器工程师 Lucas Soares 一直在尝试通过使用 CR（光学字符识别）自动 pdf 幻灯片，以便直接在 Markdown 文件中操作它们的内容，从而避免手动复制和粘贴 pdf 内容，实现这个过程的自动化。

文章图片

图为项目作者卢卡斯·苏亚雷斯。

1.1、为什么不使用传统的pdf 转文本工具呢？
Lucas Soares 发现传统工具往往会带来更多的问题，需要花时间解决。他曾尝试使用传统的 Python 软件包，但遇到了很多问题（例如必须使用复杂的正则表达式模式解析最终输出等），因此决定尝试使用目标检测和 OCR 来解决。

二、实现过程基本过程可分为以下几个步骤：

将 pdf 转换为图片；
检测和识别图像中的文本；
展示示例输出。

2.1、基于深度学习的 OCR 将 pdf 为文本

2.1.1、将 pdf 转换为图像 Soares 使用的 pdf 幻灯片来自于 David Silver 的增长学习（参见以下 pdf 幻灯片地址）。使用「pdf2image」包将每张幻灯片转换为 png 图像格式。

文章图片

pdf 幻灯片示例。
地址：https://www.davidsilver.uk/wp-content/uploads/2020/03/intro_RL.pdf
代码如下：

from pdf2image import convert_from_pathfrom pdf2image.exceptions import ( PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError)pdf_path = "path/to/file/intro_RL_Lecture1.pdf"images = convert_from_path(pdf_path)for i, image in enumerate(images):fname = "image" + str(i) + ".png"image.save(fname, "PNG")

?????经过处理后，所有的pdf幻灯片都转换成png格式的图片：

文章图片

2.1.2、检测和识别图像中的文本为了检测和识别png图像中的文本，Soares使用ocr.pytorch库中的文本检测器。按照说明下载模型保存模型保存在检查点文件夹中。
ocr.pytorch 库地址：https://github.com/courao/ocr.pytorch
代码如下：

# adapted from this source: https://github.com/courao/ocr.pytorch%load_ext autoreload%autoreload 2import osfrom ocr import ocrimport timeimport shutilimport numpy as npimport pathlibfrom PIL import Imagefrom glob import globimport matplotlib.pyplot as pltimport seaborn as snssns.set()import pytesseractdef single_pic_proc(image_file):image = np.array(Image.open(image_file).convert('RGB'))result, image_framed = ocr(image)return result,image_framedimage_files = glob('./input_images/*.*')result_dir = './output_images_with_boxes/'# If the output folder exists we will remove it and redo it.if os.path.exists(result_dir):shutil.rmtree(result_dir)os.mkdir(result_dir)for image_file in sorted(image_files):result, image_framed = single_pic_proc(image_file) # detecting and recognizing the textfilename = pathlib.Path(image_file).nameoutput_file = os.path.join(result_dir, image_file.split('/')[-1])txt_file = os.path.join(result_dir, image_file.split('/')[-1].split('.')[0]+'.txt')txt_f = open(txt_file, 'w')Image.fromarray(image_framed).save(output_file)for key in result:txt_f.write(result[key][1]+'\n')txt_f.close()

设置输入和输出文件夹，接着遍历所有输入图像（转换后的pdf幻灯片），然后通过single_pic_proc()函数运行OCR模块中的检测和识别模型，最后将输出保存到输出文件夹。
从检测继承（inherit）了Pytorch CTPN，识别了Pytorch CRNN，模型都存在于OCR模块中。

2.1.3、示例输出代码如下：

import cv2 as cvoutput_dir = pathlib.Path("./output_images_with_boxes")# image = cv.imread(str(np.random.choice(list(output_dir.iterdir()),1)[0]))image = cv.imread(f"{output_dir}/image7.png")size_reshaped = (int(image.shape[1]),int(image.shape[0]))image = cv.resize(image, size_reshaped)cv.imshow("image", image)cv.waitKey(0)cv.destroyAllWindows()

下图左为原始pdf 幻灯片，图右为脑后的输出文本，准确率非常高。

文章图片

文本识别输出如下：

filename = f"{output_dir}/image7.txt"with open(filename, "r") as text:for line in text.readlines():print(line.strip("\n"))

通过上述方法，最终可以得到一个非常强大的工具来讨论文档，从检测和识别手写笔记到检测和识别照片中的随机。
拥有文本的 OCR 工具来处理一些文本内容，这比依赖外部软件来说明文档要好得多。

总结 【Python实现PDF转换文本详解】本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注脚本之家的更多内容！