最近在做一个项目的时候，需要将PDF文件作为输入，从中输出文本，然后将文本存入数据库中。为此，我找寻了很久的解决方案，最终才确定使用[b]tesseract[/b]。所以不要浪费时间了，我们开始吧。 [b]1.安装tesseract[/b] 在不同的系统中安装[b]tesseract[/b]非常容易。为了简便，我们以[b]Ubuntu[/b]为例。 在[b]Ubuntu[/b]中你仅仅需要运行以下命令: [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090151_0_76857.jpg[/img] 这将会安装支持3种不同语言的[b]tesseract[/b]。 [b]2.安装PyOCR[/b] 现在我们还需要安装[b]tesseract[/b]的Python接口。幸运的是，有许多出色的Python接口。 我们采用最新的一个： [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090152_1_64832.jpg[/img] [b]3.安装Wand和PIL[/b] 在我们开始之前，还需要另外安装两个依赖包。一个是[b]Wand[/b]。它是[b]Imagemagick[/b]的Python接口。 我们需要使用它来将PDF文件转换成图像： [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090152_2_10602.jpg[/img] 我们也需要[b]PIL[/b]因为[b]PyOCR[/b]需要使用它。你可以查看官方文档以确定如何将[b]PIL[/b]安装到你的操作系统中。 [b]4.热身[/b] 让我们开始我们的脚本吧。首先，我们需要导入一些重要的库： [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090153_3_70493.jpg[/img] [b]注意：[/b]我将从[b]PIL[/b]导入的[b]Image[/b]模块改名为PI了，因为如果不这样做的话，它将和[code]wand.image[/code]模块发生重名冲突。 [b]5.开始[/b] 现在我们需要获得[b]OCR库[/b]（在本例中，即[b]tesseract[/b]）的句柄以及我们在[b]PyOCR[/b]中将使用的语言： [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090154_4_74389.jpg[/img] 我们使用[code]tool.get_available_languages[/code]里的第二种语言，因为之前我曾尝试过，第二种语言就是英语。 接着，我们需要建立两个列表，用于存储我们的图像和最终的文本。 [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090154_5_99359.jpg[/img] 下一步，我们需要采用[b]wand[/b]将一个PDF文件转成jpeg文件。让我们试一试吧！ [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090155_6_54079.jpg[/img] [b]注意：[/b]将[b]PDF_FILE_NAME[/b]替换成当前路径下的一个可用的PDF文件名。 [b]wand[/b]已经将PDF中所有的独立页面都转成了独立的二进制图像对象。我们可以遍历这个大对象，并把它们加入到[b]req_image[/b]序列中去。 [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090155_7_32942.jpg[/img] 现在，我们仅仅需要在图像对象上运行OCR即可，非常简单： [img]http://img.1sucai.cn/uploads/article/2018010709/20180107090155_8_57563.jpg[/img] 现在，所有识别出的文本已经加到了[b]final_text[/b]序列中了。你可以任意地使用它。以上就是利用Python对PDF文件做OCR识别的全部内容，希望这个教程能够帮助到你们！ 英文原文：https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-python/ 译者：LuCima