告别复制粘贴,Python 轻松实现 PDF 转文本!

发表于:2021-9-26 09:25  作者:佚名   来源:菜鸟学Python

字体: | 上一篇 | 下一篇 |我要投稿 | 推荐标签: 软件开发 Python

  对很多人来说,将 PDF 转换为可编辑的文本是个刚需,却苦于没有简单方法。在本文介绍的项目中,来自 K1 Digital 的高级机器学习工程师 Lucas Soares,尝试使用 OCR(光学字符识别)自动转录 pdf 幻灯片,转录效果还不错。
  传统的讲座通常伴随着一组 pdf 幻灯片。一般来说,想要对此类讲座做笔记,需要从 pdf 复制、粘贴很多内容。
  最近,来自 K1 Digital 的高级机器学习工程师 Lucas Soares 一直在尝试通过使用 OCR(光学字符识别)自动转录 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,实现这一过程的自动化。
  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。他曾经尝试使用传统的 Python 软件包,但是遇到了很多问题(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。
  基本过程可分为以下步骤:
  · 将 pdf 转换为图片;
  · 检测和识别图像中的文本;
  · 展示示例输出。
  基于深度学习的 OCR 将 pdf 转录为文本
  将 pdf 转换为图像
  Soares 使用的 pdf 幻灯片来自于 David Silver 的增强学习(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。
  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_path  
  from 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 格式的图像:
  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。按照说明下载模型并将模型保存在 checkpoints 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 2  
  import os  
  from ocr import ocr 
  import time  
  import shutil  
  import numpy as np  
  import pathlib  
  from PIL import Image  
  from glob import glob  
  import matplotlib.pyplot as plt  
  import seaborn as sns  
  sns.set()  
  import pytesseract  
  def single_pic_proc(image_file):  
      image = np.array(Image.open(image_file).convert('RGB'))  
      result, image_framed = ocr(image)  
      return result,image_framed  
  image_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 text  
      filename = pathlib.Path(image_file).name 
      output_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。
  其中检测继承(inherit)了 Pytorch CTPN 模型,识别继承了 Pytorch CRNN 模型,两者都存在于 OCR 模块中。
  示例输出
  代码如下:
  import cv2 as cv  
  output_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,图右为转录后的输出文本,转录后的准确率非常高。
  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,最终你可以得到一个非常强大的工具来转录各种文档,从检测和识别手写笔记到检测和识别照片中的随机文本。拥有自己的 OCR 工具来处理一些文本内容,这比依赖外部软件来转录文档要好的多。

  本文内容不用于商业目的,如涉及知识产权问题,请权利人联系51Testing小编(021-64471599-8017),我们将立即处理

评 论

论坛新帖



建议使用IE 6.0以上浏览器,800×600以上分辨率,法律顾问:上海信义律师事务所 项棋律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2022, 沪ICP备05003035号
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪公网安备 31010102002173号

51Testing官方微信

51Testing官方微博

扫一扫 测试知识全知道