当前位置： 首页 > news >正文

使用easyocr、PyPDF2对图像及PDF文档进行识别

news 来源：原创 2025/6/10 6:09:54

一、概述

本 Python 脚本的主要功能是对当前目录及其子目录下的图片和 PDF 文件进行光学字符识别（OCR）处理。它使用 easyocr 库处理图片中的文字，使用 PyPDF2 库提取 PDF 文件中的文本，并将处理结果保存为文本文件。同时，脚本会记录详细的处理日志，方便用户跟踪处理过程和排查问题。

二、环境要求

  • Python 版本：建议使用 Python 3.6 及以上版本。
  • 依赖库：
    • easyocr：用于图片的 OCR 识别。
    • PyPDF2：用于读取 PDF 文件并提取文本。
    • Pillow（PIL）：虽然脚本中未直接使用，但 easyocr 处理图像时可能依赖。

你可以使用以下命令安装这些依赖库：

收起

bash

pip install easyocr PyPDF2 Pillow

三、脚本结构与功能模块

1. 导入必要的库

收起

python

import os
import time
import easyocr
from PyPDF2 import PdfReader
from PIL import Image

导入了处理文件系统、时间、OCR 识别、PDF 读取和图像处理所需的库。

2. 设置模型下载路径

收起

python

model_storage_directory = './easyocr_models'
os.makedirs(model_storage_directory, exist_ok=True)

定义了 easyocr 模型的存储目录，并确保该目录存在。

3. 检查网络连接

收起

python

def check_network():
    try:
        import urllib.request
        urllib.request.urlopen('https://www.baidu.com', timeout=5)
        return True
    except:
        return False

该函数尝试访问百度网站，以检查网络连接是否正常。如果能成功访问，则返回 True，否则返回 False。

4. 初始化 EasyOCR reader

收起

python

try:
    print("Initializing EasyOCR...")
    print(f"Model storage directory: {os.path.abspath(model_storage_directory)}")
    
    if not check_network():
        print("Network connection failed. Please check your internet connection.")
        exit(1)
        
    print("Downloading models (this may take several minutes)...")
    reader = easyocr.Reader(
        ['ch_sim', 'en'],
        model_storage_directory=model_storage_directory,
        download_enabled=True,
        verbose=True
    )
    print("EasyOCR initialized successfully")
except Exception as e:
    print(f"Failed to initialize EasyOCR: {str(e)}")
    exit(1)

  • 打印初始化信息和模型存储目录的绝对路径。
  • 检查网络连接，若网络异常则输出错误信息并退出程序。
  • 下载 easyocr 所需的模型，支持中文（简体）和英文识别。
  • 若初始化成功，打印成功信息；若出现异常，打印错误信息并退出程序。

5. 处理图片文件

收起

python

def process_image(image_path):
    """处理图片文件"""
    try:
        result = reader.readtext(image_path)
        text = '\n'.join([item[1] for item in result])
        return text
    except Exception as e:
        print(f"Error processing image {image_path}: {str(e)}")
        return ""

  • 接受图片文件路径作为参数。
  • 使用 easyocr 对图片进行 OCR 识别，提取识别结果中的文本并拼接成字符串返回。
  • 若处理过程中出现异常，打印错误信息并返回空字符串。

6. 处理 PDF 文件

收起

python

def process_pdf(pdf_path):
    """处理PDF文件"""
    try:
        text = ""
        reader = PdfReader(pdf_path)
        for page in reader.pages:
            text += page.extract_text()
        return text
    except Exception as e:
        print(f"Error processing PDF {pdf_path}: {str(e)}")
        return ""

  • 接受 PDF 文件路径作为参数。
  • 使用 PyPDF2 读取 PDF 文件的每一页，并提取文本拼接成字符串返回。
  • 若处理过程中出现异常，打印错误信息并返回空字符串。

7. 保存提取的文本

收起

python

def save_text(text, output_path):
    """保存提取的文本"""
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(text)

  • 接受文本内容和输出文件路径作为参数。
  • 将文本内容以 UTF-8 编码写入指定的输出文件。

8. 主函数 main

收起

python

def main():
    # 尝试多个可能的输出目录位置
    output_folders = [
        './output_text',  # 当前目录
        os.path.expanduser('~/ocr_output'),  # 用户主目录
        os.path.join(os.getcwd(), 'ocr_output')  # 当前工作目录
    ]
    
    output_folder = None
    for folder in output_folders:
        try:
            os.makedirs(folder, exist_ok=True)
            output_folder = folder
            print(f"Using output directory: {os.path.abspath(output_folder)}")
            break
        except Exception as e:
            print(f"Failed to create output directory {folder}: {str(e)}")
    
    if output_folder is None:
        print("Error: Could not create any output directory")
        exit(1)
    
    # 初始化日志
    log_file = os.path.join(output_folder, 'ocr_log.txt')
    # 重定向标准输出到日志文件
    import sys
    class Logger(object):
        def __init__(self, filename):
            self.terminal = sys.stdout
            self.log = open(filename, "a", encoding='utf-8')

        def write(self, message):
            self.terminal.write(message)
            self.log.write(message)

        def flush(self):
            pass
            
    sys.stdout = Logger(log_file)
    print("OCR Processing Log\n")
    print(f"Starting OCR processing at {time.strftime('%Y-%m-%d %H:%M:%S')}")

    # 支持的图片格式
    image_extensions = ['.bmp', '.jpg', '.jpeg', '.png', '.tiff', '.gif']
    
    # 遍历当前目录及子目录
    for root, dirs, files in os.walk('.'):
        for file in files:
            file_path = os.path.join(root, file)
            base_name, ext = os.path.splitext(file)
            
            try:
                # 处理图片文件
                if ext.lower() in image_extensions:
                    print(f"Processing image: {file_path}")
                    text = process_image(file_path)
                    output_path = os.path.join(output_folder, f"{base_name}.txt")
                    save_text(text, output_path)
                    print(f"Successfully processed image: {file_path} -> {output_path}")
                    with open(log_file, 'a') as f:
                        f.write(f"Success: {file_path} -> {output_path}\n")
                
                # 处理PDF文件
                elif ext.lower() == '.pdf':
                    print(f"Processing PDF: {file_path}")
                    text = process_pdf(file_path)
                    output_path = os.path.join(output_folder, f"{base_name}.txt")
                    save_text(text, output_path)
                    print(f"Successfully processed PDF: {file_path} -> {output_path}")
                    with open(log_file, 'a') as f:
                        f.write(f"Success: {file_path} -> {output_path}\n")
                        
            except Exception as e:
                error_msg = f"Error processing {file_path}: {str(e)}"
                print(error_msg)
                with open(log_file, 'a') as f:
                    f.write(error_msg + "\n")

  • 输出目录处理：尝试在多个预设位置创建输出目录，若创建成功则使用该目录，若所有尝试均失败则输出错误信息并退出程序。
  • 日志初始化：在输出目录下创建 ocr_log.txt 日志文件，将标准输出重定向到该日志文件，同时保留在终端的输出。记录日志头部信息和处理开始时间。
  • 文件遍历与处理：遍历当前目录及其子目录下的所有文件，对图片文件调用 process_image 函数处理，对 PDF 文件调用 process_pdf 函数处理。将处理结果保存为文本文件，并在日志中记录成功或失败信息。

9. 程序入口

收起

python

if __name__ == "__main__":
    main()

当脚本作为主程序运行时，调用 main 函数开始执行。

四、使用方法

  1. 将脚本保存为一个 Python 文件（例如 ocr_process.py）。
  2. 确保所需的依赖库已安装。
  3. 打开终端或命令提示符，进入脚本所在的目录。
  4. 运行脚本：

收起

bash

python ocr_process.py
  1. 脚本会自动处理当前目录及其子目录下的图片和 PDF 文件，并将处理结果保存到指定的输出目录中，同时生成处理日志。

五、注意事项

  • 由于 easyocr 模型下载可能需要一定时间，首次运行脚本时请确保网络连接稳定，耐心等待模型下载完成。
  • 对于 PDF 文件，PyPDF2 只能提取文本内容，若 PDF 为扫描版或加密文件，可能无法正常提取文本。
  • 若处理过程中出现错误，请查看日志文件 ocr_log.txt 以获取详细的错误信息。

完成代码

import os
import time
import easyocr
from PyPDF2 import PdfReader
from PIL import Image

# 设置模型下载路径
model_storage_directory = './easyocr_models'
os.makedirs(model_storage_directory, exist_ok=True)

# 检查网络连接
def check_network():
    try:
        import urllib.request
        urllib.request.urlopen('https://www.baidu.com', timeout=5)
        return True
    except:
        return False

# 初始化EasyOCR reader
try:
    print("Initializing EasyOCR...")
    print(f"Model storage directory: {os.path.abspath(model_storage_directory)}")
    
    if not check_network():
        print("Network connection failed. Please check your internet connection.")
        exit(1)
        
    print("Downloading models (this may take several minutes)...")
    reader = easyocr.Reader(
        ['ch_sim', 'en'],
        model_storage_directory=model_storage_directory,
        download_enabled=True,
        verbose=True
    )
    print("EasyOCR initialized successfully")
except Exception as e:
    print(f"Failed to initialize EasyOCR: {str(e)}")
    exit(1)

def process_image(image_path):
    """处理图片文件"""
    try:
        # 使用EasyOCR提取文本
        result = reader.readtext(image_path)
        # 合并所有识别结果
        text = '\n'.join([item[1] for item in result])
        return text
    except Exception as e:
        print(f"Error processing image {image_path}: {str(e)}")
        return ""

def process_pdf(pdf_path):
    """处理PDF文件"""
    try:
        text = ""
        reader = PdfReader(pdf_path)
        for page in reader.pages:
            text += page.extract_text()
        return text
    except Exception as e:
        print(f"Error processing PDF {pdf_path}: {str(e)}")
        return ""

def save_text(text, output_path):
    """保存提取的文本"""
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(text)

def main():
    # 尝试多个可能的输出目录位置
    output_folders = [
        './output_text',  # 当前目录
        os.path.expanduser('~/ocr_output'),  # 用户主目录
        os.path.join(os.getcwd(), 'ocr_output')  # 当前工作目录
    ]
    
    output_folder = None
    for folder in output_folders:
        try:
            os.makedirs(folder, exist_ok=True)
            output_folder = folder
            print(f"Using output directory: {os.path.abspath(output_folder)}")
            break
        except Exception as e:
            print(f"Failed to create output directory {folder}: {str(e)}")
    
    if output_folder is None:
        print("Error: Could not create any output directory")
        exit(1)
    
    # 初始化日志
    log_file = os.path.join(output_folder, 'ocr_log.txt')
    # 重定向标准输出到日志文件
    import sys
    class Logger(object):
        def __init__(self, filename):
            self.terminal = sys.stdout
            self.log = open(filename, "a", encoding='utf-8')

        def write(self, message):
            self.terminal.write(message)
            self.log.write(message)

        def flush(self):
            pass
            
    sys.stdout = Logger(log_file)
    print("OCR Processing Log\n")
    print(f"Starting OCR processing at {time.strftime('%Y-%m-%d %H:%M:%S')}")

    # 支持的图片格式
    image_extensions = ['.bmp', '.jpg', '.jpeg', '.png', '.tiff', '.gif']
    
    # 遍历当前目录及子目录
    for root, dirs, files in os.walk('.'):
        for file in files:
            file_path = os.path.join(root, file)
            base_name, ext = os.path.splitext(file)
            
            try:
                # 处理图片文件
                if ext.lower() in image_extensions:
                    print(f"Processing image: {file_path}")
                    text = process_image(file_path)
                    output_path = os.path.join(output_folder, f"{base_name}.txt")
                    save_text(text, output_path)
                    print(f"Successfully processed image: {file_path} -> {output_path}")
                    with open(log_file, 'a') as f:
                        f.write(f"Success: {file_path} -> {output_path}\n")
                
                # 处理PDF文件
                elif ext.lower() == '.pdf':
                    print(f"Processing PDF: {file_path}")
                    text = process_pdf(file_path)
                    output_path = os.path.join(output_folder, f"{base_name}.txt")
                    save_text(text, output_path)
                    print(f"Successfully processed PDF: {file_path} -> {output_path}")
                    with open(log_file, 'a') as f:
                        f.write(f"Success: {file_path} -> {output_path}\n")
                        
            except Exception as e:
                error_msg = f"Error processing {file_path}: {str(e)}"
                print(error_msg)
                with open(log_file, 'a') as f:
                    f.write(error_msg + "\n")

if __name__ == "__main__":
    main()

相关文章：

  • 探秘 Linux 系统编程：进程地址空间的奇妙世界
  • 基于EM期望最大化算法的GMM参数估计与三维数据分类系统python源码
  • SP导入模型设置
  • 解决跨域请求的问题（CORS）
  • iOS UIGestureRecgonizer自动化点击埋点
  • XPath路径表达式
  • 文件上传漏洞详细利用流程
  • BambuStudio学习笔记：format格式化输出
  • Linux中是如何进行日志管理的？
  • C语言--简单排序算法（冒泡、选择、插入）
  • 迷你世界脚本出生点接口：Spawnport
  • 论文阅读笔记：UniFace: Unified Cross-Entropy Loss for Deep Face Recognition
  • java在mavenclean之后点击主启动函数，一直显示java找不到符号的解决办法
  • oracle常用参数解析
  • 数据结构篇—栈（stack）
  • 蓝陵科技：以“数字底座”之力，全面布局影视行业工业化
  • 【赵渝强老师】监控Redis
  • Redis100道高频面试题
  • 初阶数据结构习题【7】（3顺序表和链表）—— 21. 合并两个有序链表
  • 浅谈汽车系统电压优缺点分析
  • seo自己做网站吗/今日热点新闻事件摘抄2022
  • wordpress 漫画网站/济南seo官网优化
  • 网站怎么做电脑系统下载/产品网络营销分析
  • 如何做一个营销型网站/爱站工具查询
  • 湖北潜江疫情最新消息/处理器优化软件
  • 陕西省人民政府门户网站/百度seo新算法