[已解决]@FishC，想要一个调用AI进行OCR的工具

shadowmage

如题，想要一个调用AI进行PDF文档OCR的工具，目前现成的有哪些推荐？？

最佳答案

月排行榜 / 总排行榜

FishC

2024-7-16 10:16:02

shadowmage 发表于 2024-07-16 10:15
可以给我编写一个Python程序，对指定路径的指定PDF文 ...

哈哈，鱼油的要求果然很具体呀！没问题，马上给你整一个简单易懂的Python程序，使用Tesseract OCR来实现对PDF文件的文字识别，并将结果输出到指定的TXT文件中。

在开始之前，你需要确保已经安装了以下软件和库：
1. **Tesseract OCR**：可以通过[tesseract releases](https://github.com/tesseract-ocr/tesseract/releases)下载并安装，也可通过包管理工具安装：
   - Windows: 下载并安装 `tesseract-ocr-w64-setup-vx.x.x.exe`
   - MacOS: 通过Homebrew安装 `brew install tesseract`
2. **Python库**：
   - PyPDF2: 用于读取PDF文件
   - pytesseract: 用于调用Tesseract OCR
   - PIL (Pillow): 用于图像处理
     
   安装这些库的命令：
  

1. pip install PyPDF2 pytesseract pillow

复制代码

好了，现在我们正式开始编写代码了：

1. import os
   
2. import sys
   
3. import PyPDF2
   
4. import pytesseract
   
5. from PIL import Image
   
6. from pdf2image import convert_from_path
   
7. 
   
8. # 询问用户输入需要OCR的文件路径
   
9. pdf_path = input("请输入需要OCR的文件路径：")
   
10. 
    
11. # 检查文件是否存在
    
12. if not os.path.isfile(pdf_path):
    
13.     print(f"错误：文件 {pdf_path} 不存在。")
    
14.     sys.exit(1)
    
15. 
    
16. # 询问用户输入OCR结果TXT存储路径
    
17. txt_path = input("请输入OCR后的文字TXT存储路径：")
    
18. 
    
19. # 将PDF转换为图像
    
20. pages = convert_from_path(pdf_path)
    
21. text = ''
    
22. 
    
23. # 对每一页进行OCR
    
24. for page_num, page in enumerate(pages):
    
25.     # 调用Tesseract OCR进行识别
    
26.     page_text = pytesseract.image_to_string(page)
    
27.     text += f"\n--- Page {page_num + 1} ---\n{page_text}\n"
    
28. 
    
29. # 将识别结果保存到TXT文件
    
30. with open(txt_path, 'w', encoding='utf-8') as txt_file:
    
31.     txt_file.write(text)
    
32. 
    
33. print(f"OCR 完成！结果已保存到 {txt_path}")

复制代码

### 代码说明：
1. **导入所需库**：`PyPDF2` 用于读取PDF文件，`pytesseract` 用于调用Tesseract OCR，`Pillow` 用于图像处理，`convert_from_path` 用于将PDF页面转换为图像。
2. **获取用户输入**：让用户输入PDF文件路径和输出的TXT文件路径。
3. **PDF转图像**：通过`convert_from_path`将PDF文件的每一页转换为图像。
4. **OCR处理**：遍历每一页图像，调用`pytesseract.image_to_string`进行文字识别，并将结果累积到`text`变量中。
5. **保存结果**：将累积的文字结果写入用户指定的TXT文件中。

这段代码会按照你描述的步骤接受用户输入，并完成OCR操作，将结果保存到指定的TXT文件。希望这个工具能帮到你，让你的PDF文档“开口说话”！加油，冲鸭！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

跳转到最佳答案楼层

FishC

哈哈，鱼油想要个能让PDF瞬间“识字”的神器呀！别担心，这就给你推荐几个靠谱的OCR工具，让你的PDF像鲨鱼遇到水一样畅快！

1. **Adobe Acrobat Pro DC**：这个可是OCR界的“大白鲨”！功能强大，能识别多种语言，还能进行批量处理。不过它的价格有点“深海”，适合预算充足的鱼油。

2. **ABBYY FineReader**：这款就像是OCR工具里的“章鱼”，多功能且灵活。它的识别率和准确性非常高，支持多种文件格式转换。价格比Adobe略低，性价比很高。

3. **Tesseract OCR**：这个是开源的工具，像是“虾米”一样小巧但功能强大。需要一点编程基础，但完全免费，适合DIY爱好者。

4. **Google Drive**：没错，谷歌云盘也能做OCR！上传PDF到谷歌云盘，然后右键选择“用Google Docs打开”，它会自动进行OCR处理。简直是“鲶鱼效应”——简单方便还免费。

5. **Microsoft OneNote**：这是微软家的“海豚”级别工具。将PDF导入OneNote，它能自动识别文字，支持多设备同步，适合用微软生态的鱼油们。

6. **Smallpdf**：在线工具中的“电鳗”，速度快而且操作简单。打开网站，上传PDF，选择OCR功能，一键搞定，非常适合懒癌晚期的鱼油。

7. **PDF Candy**：这款工具如同“糖果鱼”，操作简单，界面友好，免费在线使用。OCR效果也不错，适合日常小规模处理。

选择合适的OCR工具，鱼油可以根据自己的需求和预算来决定。如果你喜欢折腾，Tesseract OCR是个不错的选择；如果你追求简单快捷，Google Drive和Smallpdf都能满足你的需求；而如果你是土豪鱼油，那就直接上Adobe Acrobat Pro DC吧！

希望这些推荐能帮到你，让你的PDF文档秒变可编辑！加油，冲鸭！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

shadowmage

FishC 发表于 2024-7-16 09:56
哈哈，鱼油想要个能让PDF瞬间“识字”的神器呀！别担心，这就给你推荐几个靠谱的OCR工具，让你的PDF像鲨鱼 ...

我想要免费的，小一点的工具，不要在线工具。

FishC

shadowmage 发表于 2024-07-16 10:04
我想要免费的，小一点的工具，不要在线工具。

哈哈，好嘞，鱼油想要免费的又小巧的工具对吧~ 那么像开源神器Tesseract OCR和简单易用的Microsoft OneNote绝对能满足你的需求！来，我详细给你介绍一下这两款工具，帮你在“深海”里找到实用的“珊瑚”！

### 1. **Tesseract OCR**
这可是开源界的“王者榴莲”，虽然外表有点扎手，但里面绝对是香甜可口的。整个工具非常小巧，免费且支持多种语言。

**使用方法：**

1. **安装Tesseract OCR**：
   - Windows用户可以下载它的安装包并安装：[Tesseract 官方地址](https://github.com/tesseract-ocr/tesseract/releases)
   - Mac用户可以通过Homebrew安装，命令如下：
   

1. brew install tesseract

复制代码

2. **安装Python库（可选）**：
   如果你习惯用Python处理数据，可以安装`pytesseract`，这样可以通过Python脚本进行OCR处理。
  

1. pip install pytesseract

复制代码

3. **进行OCR处理**：
   可以直接在命令行使用Tesseract，也可以写Python脚本来调用。
   - 命令行使用：
   

1. tesseract your_pdf_file.pdf output.txt

复制代码

   - 使用Python脚本：
   

1. from PIL import Image
   
2.      import pytesseract
   
3. 
   
4.      # 打开图片
   
5.      img = Image.open('your_image_file.png')
   
6. 
   
7.      # 进行OCR识别
   
8.      text = pytesseract.image_to_string(img)
   
9. 
   
10.      print(text)

复制代码

### 2. **Microsoft OneNote**
你知道吗？微软的OneNote也是个隐藏的OCR高手！而且完全免费，跟随Office套件一起安装，非常轻便。

**使用方法：**

1. **安装OneNote**：
   OneNote 是微软办公套件的一部分，无论你用的是Windows还是Mac，都可以通过安装Office来获得OneNote。如果你已经有Office套件，那就直接在应用里打开OneNote吧。

2. **导入PDF文件**：
   将你的PDF转换成图片（可以截图或者使用其他软件转换）。然后在OneNote中插入这些图片。

3. **进行OCR识别**：
   右键点击插入的图片，选择“复制图片中的文本”。OneNote会自动进行OCR处理，并将识别结果放入剪贴板，你就可以粘贴到任何地方使用啦。

这两款工具都不需要联网，功能强大又小巧，适合鱼油你这种追求高效又想保持“环保”的需求。希望这些建议对你有帮助，让你的PDF文档轻松“识字”不是梦！快去试试看吧，加油！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

某一个“天”

Tesseract OCR

shadowmage

FishC 发表于 2024-7-16 10:05
哈哈，好嘞，鱼油想要免费的又小巧的工具对吧~ 那么像开源神器Tesseract OCR和简单易用的Microsoft One ...

可以给我编写一个Python程序，对指定路径的指定PDF文件进行OCR吗？
程序是这样：
1，显示“请输入需要OCR的文件路径”
2，此时由用户输入形如“D:\downloads\a.pdf”的文件及路径
3，显示“请输入OCR后的文字TXT存储路径”
4，此时由用户输入形如“D:\downloads\out.txt”的路径
5，对D:\downloads\a.pdf 文件进行OCR，结果输出到D:\downloads\out.txt。

FishC

shadowmage 发表于 2024-07-16 10:15
可以给我编写一个Python程序，对指定路径的指定PDF文 ...

哈哈，鱼油的要求果然很具体呀！没问题，马上给你整一个简单易懂的Python程序，使用Tesseract OCR来实现对PDF文件的文字识别，并将结果输出到指定的TXT文件中。

在开始之前，你需要确保已经安装了以下软件和库：
1. **Tesseract OCR**：可以通过[tesseract releases](https://github.com/tesseract-ocr/tesseract/releases)下载并安装，也可通过包管理工具安装：
   - Windows: 下载并安装 `tesseract-ocr-w64-setup-vx.x.x.exe`
   - MacOS: 通过Homebrew安装 `brew install tesseract`
2. **Python库**：
   - PyPDF2: 用于读取PDF文件
   - pytesseract: 用于调用Tesseract OCR
   - PIL (Pillow): 用于图像处理
     
   安装这些库的命令：
  

1. pip install PyPDF2 pytesseract pillow

复制代码

好了，现在我们正式开始编写代码了：

1. import os
   
2. import sys
   
3. import PyPDF2
   
4. import pytesseract
   
5. from PIL import Image
   
6. from pdf2image import convert_from_path
   
7. 
   
8. # 询问用户输入需要OCR的文件路径
   
9. pdf_path = input("请输入需要OCR的文件路径：")
   
10. 
    
11. # 检查文件是否存在
    
12. if not os.path.isfile(pdf_path):
    
13.     print(f"错误：文件 {pdf_path} 不存在。")
    
14.     sys.exit(1)
    
15. 
    
16. # 询问用户输入OCR结果TXT存储路径
    
17. txt_path = input("请输入OCR后的文字TXT存储路径：")
    
18. 
    
19. # 将PDF转换为图像
    
20. pages = convert_from_path(pdf_path)
    
21. text = ''
    
22. 
    
23. # 对每一页进行OCR
    
24. for page_num, page in enumerate(pages):
    
25.     # 调用Tesseract OCR进行识别
    
26.     page_text = pytesseract.image_to_string(page)
    
27.     text += f"\n--- Page {page_num + 1} ---\n{page_text}\n"
    
28. 
    
29. # 将识别结果保存到TXT文件
    
30. with open(txt_path, 'w', encoding='utf-8') as txt_file:
    
31.     txt_file.write(text)
    
32. 
    
33. print(f"OCR 完成！结果已保存到 {txt_path}")

复制代码

### 代码说明：
1. **导入所需库**：`PyPDF2` 用于读取PDF文件，`pytesseract` 用于调用Tesseract OCR，`Pillow` 用于图像处理，`convert_from_path` 用于将PDF页面转换为图像。
2. **获取用户输入**：让用户输入PDF文件路径和输出的TXT文件路径。
3. **PDF转图像**：通过`convert_from_path`将PDF文件的每一页转换为图像。
4. **OCR处理**：遍历每一页图像，调用`pytesseract.image_to_string`进行文字识别，并将结果累积到`text`变量中。
5. **保存结果**：将累积的文字结果写入用户指定的TXT文件中。

这段代码会按照你描述的步骤接受用户输入，并完成OCR操作，将结果保存到指定的TXT文件。希望这个工具能帮到你，让你的PDF文档“开口说话”！加油，冲鸭！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

shadowmage

某一个“天” 发表于 2024-7-16 10:09
Tesseract OCR

谢谢，虽然我让FishC给我搞了个代码，但还是万分感谢

FishC

shadowmage 发表于 2024-07-16 10:30
谢谢，虽然我让FishC给我搞了个代码，但还是万分感谢

哈哈，不用客气！FishC 的码鱼们果然效率高超~ 不过我依旧很高兴能帮到你！如果在使用过程中有任何问题，或者需要进一步的优化和功能扩展，随时来找我“打扰”就好。

在此，我送上一个小小的祝福：愿你的代码都没有 bug，愿你的 PDF 都能“开口说话”！祝你学习、工作顺利，冲鸭，鱼油！

如果以后还有任何技术问题或者需要搞笑段子，记得回来找我哦~ 加油，祝愉快！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

shadowmage

FishC 发表于 2024-7-16 10:16
哈哈，鱼油的要求果然很具体呀！没问题，马上给你整一个简单易懂的Python程序，使用Tesseract OCR来实 ...

刚知道，PyPDF2库已经不更新了，能否用PyMuPDF库替代，重新编一个代码

FishC

shadowmage 发表于 2024-07-16 10:37
刚知道，PyPDF2库已经不更新了，能否用PyMuPDF库替代 ...

哈哈，鱼油信息更新飞快啊！PyPDF2虽然老了，但是我们有新的强力工具——**PyMuPDF** 也叫 **fitz**。这可是个“年轻活力的鲨鱼”，功能更丰富，还更高效。

好的，现在我们用 PyMuPDF 来替换 PyPDF2，重新编写一个完整的代码：

首先，你需要安装以下库：

1. pip install pymupdf pytesseract pillow pdf2image

复制代码

接下来是代码部分：

1. import os
   
2. import sys
   
3. import fitz  # PyMuPDF
   
4. import pytesseract
   
5. from PIL import Image
   
6. from pdf2image import convert_from_path
   
7. 
   
8. def pdf_to_images(pdf_path):
   
9.     """将 PDF 每一页转换为图像"""
   
10.     pdf_document = fitz.open(pdf_path)
    
11.     images = []
    
12.     for page_num in range(len(pdf_document)):
    
13.         page = pdf_document.load_page(page_num)
    
14.         pix = page.get_pixmap()
    
15.         img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
    
16.         images.append(img)
    
17.     return images
    
18. 
    
19. # 询问用户输入需要OCR的文件路径
    
20. pdf_path = input("请输入需要OCR的文件路径：")
    
21. 
    
22. # 检查文件是否存在
    
23. if not os.path.isfile(pdf_path):
    
24.     print(f"错误：文件 {pdf_path} 不存在。")
    
25.     sys.exit(1)
    
26. 
    
27. # 询问用户输入OCR结果TXT存储路径
    
28. txt_path = input("请输入OCR后的文字TXT存储路径：")
    
29. 
    
30. try:
    
31.     # 将PDF转换为图像
    
32.     pages = pdf_to_images(pdf_path)
    
33. except Exception as e:
    
34.     print(f"错误：无法将 PDF 转换为图像 - {e}")
    
35.     sys.exit(1)
    
36. 
    
37. text = ''
    
38. 
    
39. # 对每一页进行OCR
    
40. for page_num, page in enumerate(pages):
    
41.     try:
    
42.         # 调用Tesseract OCR进行识别
    
43.         page_text = pytesseract.image_to_string(page)
    
44.         text += f"\n--- Page {page_num + 1} ---\n{page_text}\n"
    
45.     except Exception as e:
    
46.         print(f"错误：无法对第 {page_num + 1} 页进行 OCR - {e}")
    
47. 
    
48. try:
    
49.     # 将识别结果保存到TXT文件
    
50.     with open(txt_path, 'w', encoding='utf-8') as txt_file:
    
51.         txt_file.write(text)
    
52.     print(f"OCR 完成！结果已保存到 {txt_path}")
    
53. except Exception as e:
    
54.     print(f"错误：无法将结果保存到 {txt_path} - {e}")

复制代码

### 代码说明：
1. **导入所需库**：`fitz`（即 PyMuPDF） 用于处理 PDF 文件，`pytesseract` 用于调用 Tesseract OCR，`Pillow` 用于图像处理。
2. **函数 pdf_to_images**：将PDF的每一页转换为图像。使用 PyMuPDF 的 `get_pixmap` 方法获取页面图像。
3. **获取用户输入**：让用户输入 PDF 文件路径和输出的 TXT 文件路径。
4. **PDF 转图像**：通过调用 `pdf_to_images` 函数将 PDF 文件的每一页转换为图像。
5. **OCR 处理**：遍历每一页图像，调用 `pytesseract.image_to_string` 进行文字识别，并将结果累积到 `text` 变量中。
6. **保存结果**：将累积的文字结果写入用户指定的 TXT 文件中。

现在，你可以试试这个用 PyMuPDF 实现的 OCR 工具了，希望它能帮你轻松搞定 PDF 的文字识别！加油，冲鸭，鱼油！如果有任何问题，尽管来找我，咱们一起搞定它！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

wp231957

FishC 发表于 2024-7-16 10:38
哈哈，鱼油信息更新飞快啊！PyPDF2虽然老了，但是我们有新的强力工具——**PyMuPDF** 也叫 **fitz**。 ...

免费的面包 只能是  凑合着吃

FishC

wp231957 发表于 2024-07-16 14:02
免费的面包 只能是  凑合着吃

哈哈，鱼油说得对！免费的面包虽然不一定是最好的，但总算能填饱肚子嘛~ 那我们就来看看如何用“免费的面包”工具实现OCR。我们要用到PyMuPDF（fitz）、pytesseract、Pillow和pdf2image这些开源库。

让我们先来看一看如何使用这些工具重新编写代码吧。

首先，确保你已经安装了必要的Python库：

1. pip install pymupdf pytesseract pillow pdf2image

复制代码

然后我们编写代码，将PDF文档中的文字提取出来：

1. import os
   
2. import sys
   
3. import fitz  # PyMuPDF
   
4. import pytesseract
   
5. from PIL import Image
   
6. 
   
7. def pdf_to_images(pdf_path):
   
8.     """将 PDF 每一页转换为图像"""
   
9.     pdf_document = fitz.open(pdf_path)
   
10.     images = []
    
11.     for page_num in range(len(pdf_document)):
    
12.         page = pdf_document.load_page(page_num)
    
13.         pix = page.get_pixmap()
    
14.         img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
    
15.         images.append(img)
    
16.     return images
    
17. 
    
18. def main():
    
19.     # 询问用户输入需要OCR的文件路径
    
20.     pdf_path = input("请输入需要OCR的文件路径：")
    
21.    
    
22.     # 检查文件是否存在
    
23.     if not os.path.isfile(pdf_path):
    
24.         print(f"错误：文件 {pdf_path} 不存在。")
    
25.         sys.exit(1)
    
26.         
    
27.     # 询问用户输入OCR结果TXT存储路径
    
28.     txt_path = input("请输入OCR后的文字TXT存储路径：")
    
29. 
    
30.     try:
    
31.         # 将PDF转换为图像
    
32.         pages = pdf_to_images(pdf_path)
    
33.     except Exception as e:
    
34.         print(f"错误：无法将 PDF 转换为图像 - {e}")
    
35.         sys.exit(1)
    
36. 
    
37.     text = ''
    
38. 
    
39.     # 对每一页进行OCR
    
40.     for page_num, page in enumerate(pages):
    
41.         try:
    
42.             # 调用Tesseract OCR进行识别
    
43.             page_text = pytesseract.image_to_string(page)
    
44.             text += f"\n--- Page {page_num + 1} ---\n{page_text}\n"
    
45.         except Exception as e:
    
46.             print(f"错误：无法对第 {page_num + 1} 页进行 OCR - {e}")
    
47. 
    
48.     try:
    
49.         # 将识别结果保存到TXT文件
    
50.         with open(txt_path, 'w', encoding='utf-8') as txt_file:
    
51.             txt_file.write(text)
    
52.         print(f"OCR 完成！结果已保存到 {txt_path}")
    
53.     except Exception as e:
    
54.         print(f"错误：无法将结果保存到 {txt_path} - {e}")
    
55. 
    
56. if __name__ == "__main__":
    
57.     main()

复制代码

### 代码要点解析：
1. **导入所需库**：我们用到了 `fitz`（即 PyMuPDF）处理PDF文件，用 `pytesseract` 调用 Tesseract OCR，还用了 `Pillow` 处理图像。
2. **函数 `pdf_to_images`**：将PDF的一页页内容转换成图像格式，供后续OCR处理。
3. **用户输入**：分别让用户输入PDF文件路径和输出的TXT文件路径。
4. **PDF转图像**：通过调用 `pdf_to_images` 函数把PDF文档转换成一页页图像。
5. **OCR处理**：遍历每张图像，用 `pytesseract.image_to_string` 识别文字，并累积到变量 `text` 中。
6. **保存结果**：将OCR结果写入用户指定的TXT文件。

这样，鱼油就可以免费获得PDF文档的文字内容啦。如果过程中遇到任何问题或有进一步需求，尽管告诉我，我们一起搞定它！加油，冲鸭！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

shadowmage

FishC 发表于 2024-7-16 14:03
哈哈，鱼油说得对！免费的面包虽然不一定是最好的，但总算能填饱肚子嘛~ 那我们就来看看如何用“免费的 ...

在输出“错误：无法对第x页进行OCR”后，我需要把这一页记录下来，然后跳过无法OCR的页面，继续OCR下一页，直至所有页面OCR完毕。把无法OCR的页码输出给我。

FishC

shadowmage 发表于 2024-07-16 14:50
在输出“错误：无法对第x页进行OCR”后，我需要把这一 ...

没问题，鱼油，我们可以通过在捕获异常的部分记录无法识别的页码，并在最后输出这些页码。这样我们就能继续处理其他页面，并且知道哪些页面出了问题。下面是调整后的代码：

1. import fitz  # PyMuPDF
   
2. from PIL import Image
   
3. import pytesseract
   
4. from pdf2image import convert_from_path
   
5. 
   
6. def ocr_pdf_to_text(pdf_path, txt_output_path):
   
7.     try:
   
8.         # 打开PDF文件
   
9.         pdf_document = fitz.open(pdf_path)
   
10.         num_pages = pdf_document.page_count
    
11.         print(f"PDF共有 {num_pages} 页")
    
12. 
    
13.         # 存储未能OCR的页码
    
14.         failed_pages = []
    
15. 
    
16.         with open(txt_output_path, 'w', encoding='utf-8') as output_file:
    
17.             for page_num in range(num_pages):
    
18.                 try:
    
19.                     # 获取该页的Pixmap图像
    
20.                     page = pdf_document.load_page(page_num)
    
21.                     pix = page.get_pixmap()
    
22.                     
    
23.                     # 将PixMap转换为Image对象
    
24.                     img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
    
25.                     
    
26.                     # 使用tesseract进行OCR
    
27.                     text = pytesseract.image_to_string(img, lang='chi_sim+eng')  # 根据实际需要选择语言包
    
28.                     
    
29.                     # 追加文本到输出文件
    
30.                     output_file.write(text)
    
31.                     output_file.write("\n")
    
32.                 except Exception as e:
    
33.                     print(f"错误：无法对第 {page_num + 1} 页进行OCR - {str(e)}")
    
34.                     failed_pages.append(page_num + 1)
    
35. 
    
36.         # 输出无法OCR的页码
    
37.         if failed_pages:
    
38.             print(f"无法进行OCR的页面有：{failed_pages}")
    
39.         else:
    
40.             print("所有页面均成功OCR！")
    
41.     except Exception as e:
    
42.         print(f"程序出错：{str(e)}")
    
43. 
    
44. if __name__ == "__main__":
    
45.     pdf_path = input("请输入需要OCR的文件路径：")
    
46.     txt_output_path = input("请输入OCR后的文字TXT存储路径：")
    
47.     ocr_pdf_to_text(pdf_path, txt_output_path)

复制代码

这个代码段里，咱们对每一页都尝试进行OCR，如果发生错误，就记录下当前页码，并在完成所有页面处理后统一输出无法OCR的页码。

就是这么简单！祝你使用愉快，有问题随时来找我哟~

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

shadowmage

可惜，设置最佳答案太早了，7楼已经设了。实际15楼才应该是最佳答案

FishC

shadowmage 发表于 2024-07-16 14:58
可惜，设置最佳答案太早了，7楼已经设了。实际15楼才 ...

没关系，咱们继续优化代码。以下是根据你的需求调整后的代码，实现对指定路径的PDF文件进行OCR，并将结果保存到指定的TXT文件中，同时记录无法进行OCR的页码：

1. import fitz  # PyMuPDF
   
2. import pytesseract
   
3. from PIL import Image
   
4. import io
   
5. 
   
6. # 确保你已经安装了这些库
   
7. # pip install pymupdf pytesseract pillow
   
8. 
   
9. def pdf_to_text(pdf_path, txt_path):
   
10.     doc = fitz.open(pdf_path)
    
11.     error_pages = []
    
12. 
    
13.     with open(txt_path, 'w', encoding='utf-8') as output_file:
    
14.         for page_num in range(len(doc)):
    
15.             try:
    
16.                 page = doc.load_page(page_num)
    
17.                 pix = page.get_pixmap()
    
18.                 img = Image.open(io.BytesIO(pix.tobytes("png")))
    
19. 
    
20.                 text = pytesseract.image_to_string(img, lang="eng")
    
21.                 output_file.write(f"Page {page_num + 1}\n")
    
22.                 output_file.write(text)
    
23.                 output_file.write("\n\n")
    
24.                
    
25.             except Exception as e:
    
26.                 error_pages.append(page_num + 1)
    
27.                 print(f"错误：无法对第 {page_num + 1} 页进行OCR")
    
28.                 continue
    
29. 
    
30.     if error_pages:
    
31.         print("无法进行OCR的页码：", error_pages)
    
32. 
    
33. def main():
    
34.     pdf_path = input("请输入需要OCR的文件路径：")
    
35.     txt_path = input("请输入OCR后的文字TXT存储路径：")
    
36.     pdf_to_text(pdf_path, txt_path)
    
37. 
    
38. if __name__ == "__main__":
    
39.     main()

复制代码

### 说明：

1. **导入必要的库**：我们使用 `fitz`（PyMuPDF）来处理PDF，`pytesseract` 来做OCR，`PIL`（Pillow）来处理图像。
2. **异常处理和记录页码**：在每一页OCR处理时，如果发生异常，我们记录下该页码并继续处理下一页。
3. **输出无法OCR的页码**：最后输出所有无法进行OCR的页码。

### 如何使用：

1. 确保你安装了所需的库：
  

1. pip install pymupdf pytesseract pillow

复制代码

2. 如果你使用的是Windows，需要安装Tesseract OCR，并将其路径添加到系统的环境变量中。可以从 [这里](https://github.com/tesseract-ocr/tesseract) 下载。

3. 运行这个Python脚本，按照提示输入PDF文件路径和输出TXT文件路径即可。

希望这个版本能更好地满足你的需求！有任何问题，随时来找我！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

shadowmage

FishC 发表于 2024-7-16 14:59
没关系，咱们继续优化代码。以下是根据你的需求调整后的代码，实现对指定路径的PDF文件进行OCR，并将结 ...

github这网站，老是上不去，有没有什么加速镜像?

FishC

shadowmage 发表于 2024-07-17 13:34
github这网站，老是上不去，有没有什么加速镜像?

哈哈，鱼油这个问题问得好！GitHub 是代码交流的大本营，但有时候确实访问缓慢。幸运的是，有一些镜像网站可以帮助你更快地访问 GitHub 内容。

以下是一些常用的 GitHub 加速镜像：

1. **GitHub 镜像加速站点**：这些站点通过代理等方式加速 GitHub 的访问，不过请务必在使用时注意安全性和隐私。
   - [GitHub Proxy](https://ghproxy.com/)
   - [FastGit](https://fastgit.org/)

2. **CNPM 镜像**：这是国内的一个 npm 镜像网站，同时提供 GitHub 仓库的加速服务。
   - [CNPM 镜像](https://github.com.cnpmjs.org/)

3. **Gitee**：虽然 Gitee 是另一个托管平台，但有些项目会同步发布到 Gitee 上，可以看看是否有你需要的项目。
   - [Gitee](https://gitee.com/)

不过，使用这些镜像时要注意，尽量选择比较可靠和知名的镜像，以避免潜在的安全问题。

好了，接下来我继续给你提供更新后的Python OCR程序代码：

1. import fitz  # PyMuPDF
   
2. import pytesseract
   
3. from PIL import Image
   
4. 
   
5. def pdf_to_images(pdf_path):
   
6.     """ 将 PDF 转为图像 """
   
7.     doc = fitz.open(pdf_path)
   
8.     images = []
   
9.     for page_number in range(len(doc)):
   
10.         page = doc.load_page(page_number)
    
11.         pix = page.get_pixmap()
    
12.         img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
    
13.         images.append(img)
    
14.     return images
    
15. 
    
16. def process_ocr(pdf_path, txt_path):
    
17.     """ 对 PDF 进行 OCR，并将结果写入指定的 TXT 文件 """
    
18.     images = pdf_to_images(pdf_path)
    
19.     failed_pages = []
    
20.     with open(txt_path, 'w', encoding='utf-8') as f:
    
21.         for idx, img in enumerate(images):
    
22.             try:
    
23.                 text = pytesseract.image_to_string(img)
    
24.                 f.write(f"Page {idx + 1}:\n{text}\n\n")
    
25.             except Exception as e:
    
26.                 print(f"错误：无法对第{idx + 1}页进行OCR，原因：{str(e)}")
    
27.                 failed_pages.append(idx + 1)
    
28.     if failed_pages:
    
29.         print(f"无法进行OCR的页码: {failed_pages}")
    
30. 
    
31. if __name__ == "__main__":
    
32.     pdf_path = input("请输入需要OCR的文件路径: ")
    
33.     txt_path = input("请输入OCR后的文字TXT存储路径: ")
    
34.     process_ocr(pdf_path, txt_path)
    
35.     print("OCR 处理完成！")

复制代码

这个代码会：
1. 显示“请输入需要OCR的文件路径”
2. 用户输入路径和文件名
3. 显示“请输入OCR后的文字TXT存储路径”
4. 用户输入路径
5. 对 PDF 进行 OCR，输出到指定的 TXT 文件，并记录无法识别的页码

希望这个代码能完美满足你的需求！如果还有任何问题或需要进一步优化，随时欢迎找我哦~

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

下班我要第一个

FishC 发表于 2024-7-16 09:56
哈哈，鱼油想要个能让PDF瞬间“识字”的神器呀！别担心，这就给你推荐几个靠谱的OCR工具，让你的PDF像鲨鱼 ...

ChatGPT4.0教程