pytesseract介绍：
pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。
什么是OCR？
OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据，比如1G的硬盘可以存储数百万本书。
OCR可以做什么？
OCR技术可以将图片，纸质文档中的文本转换为数字形式的文本。OCR过程一般包括以下步骤：
图像预处理/文本定位/字符分割/字符识别/后处理，最初由惠普开发，后来Google赞助的开源OCR引擎 tesseract 提供了比较精确的文字识别API，支持100多种语言，本文将要介绍的Python库Pytesseract就是基于Tesseract-OCR 引擎。
环境要求：（win环境和liunx均可）
Python 3.6+
PIL库
安装Google Tesseract OCR
系统：windows/mac/linux，我的系统是Windows10
软件安装：（win环境支持）
Tesseract OCR github地址：https://github.com/tesseract-ocr/tesseract
Windows Tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/
Mac和Linux安装方法参考：https://tesseract-ocr.github.io/tessdoc/Installation.html
安装时可以选择需要的语言包：
安装完成后，添加到环境变量PATH中，我的安装路径是：C:\Program Files\Tesseract-OCR 。
命令行窗口输入：tesseract ，查看是否安装成功。
温馨提示：最好不要安装到C盘因为有些电脑需要管理员权限
安装pytesseract（python环境依赖）
pip安装pytesseract，Python tesseract：https://github.com/madmaze/pytesseract
pip install pytesseract
程序案例：
import fitzfrom PIL import Imageimport pytesseract def extract_text_and_images_from_pdf(self): if not os.path.exists(self.pdf_path): log.error("执行失败：运行环境没有pdf存储路径") return # 创建图像文件夹（如果不存在） os.makedirs(self.image_folder, exist_ok=True) log.info("执行成功：图片存储路径读取成功") # 打开Step 1 pdf_file路径下保存的pdf with fitz.open(self.pdf_file) as doc: log.info("执行成功：读取存储路径PDF成功") # 判断 PDF 是否包含文本内容 has_text = False extracted_text = "" extracted_image_text = "" # 遍历pdf和分页中的文本结果 for i in range(len(doc)): page = doc.load_page(i) text = page.get_text() # 如果文本存在 if text: has_text = True # pdf中分页合并输出文本 extracted_text += f"Page {i + 1}: {text}" log.info(f"执行成功：ORC程序成功获取到PDF第(Page {i + 1})页文本信息") # 获取所有的图片数量记作i images = doc.get_page_images(i) # 遍历所有pdf中的图片，然后将图片保存 for j, img in enumerate(images): xref = img[0] pix = fitz.Pixmap(doc, xref) # 从图像创建 pixmap img_path = None # 处理pdf图片中的核心方法 if pix.n - pix.alpha < 4: # 可以直接保存为 PNG img_width, img_height = pix.width, pix.height # 设置一个阈值，比如小于100像素的图片不保存 if img_width >= 100 and img_height >= 100: img_path = os.path.join(self.image_folder, f"p{i + 1}-{j + 1}.png") pix.save(img_path) log.info(f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张PNG图片信息") else: log.info( f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张PNG图片尺寸较小，不保存") else: # CMYK 图像：必须先转换为 RGB pix0 = fitz.Pixmap(fitz.csRGB, pix) img_width, img_height = pix.width, pix.height # 设置一个阈值，比如小于100像素的图片不保存 if img_width >= 100 and img_height >= 100: img_path = os.path.join(self.image_folder, f"p{i + 1}-{j + 1}.png") pix0.save(img_path) log.info(f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张RGB图片信息") else: log.info( f"执行成功：ORC程序成功获取到PDF第({i + 1})页获取到(第{j + 1})张RGB图片尺寸较小，不保存") pix0 = None # 释放 Pixmap 资源 pix = None # 释放 Pixmap 资源 if img_path is not None: img_text = pytesseract.image_to_string(Image.open(img_path)) extracted_image_text += img_text # 文本值没有获取到时输出log，用来区分order_id和shipping notes是从哪里获取到的文本 if not has_text: log.info("执行成功：ORC程序没有获取到文本信息") self.clear_folder() log.info("执行成功：清空已完成遍历的PDF图片文件") # 将文本生成的text和图片OCR识别到的text合并为一个 merged_text = extracted_text + extracted_image_text merged_text = merged_text.replace(" ", "").replace("\n", "") log.info("执行成功：提取到PDF和图片合并文本信息") return merged_text适用场景：
想通过打印面单上面的文字是否存在，或者系统生成的pdf是否包含自己自定义的文字内容。
实现目标：
通过以上代码实现：当没有pdf路径时创建自动创建，再之前的步骤中已在路径下生成了pdf临时存在本地的指定文件夹路径下。
1.然后打开pdf，首先判断pdf中是否存在文本值，如果存在则打上标记。
2.获取pdf中所有的图片个数，然后将其按照 if pix.n - pix.alpha的方式判断是否格式可以存为png。
3.添加图片尺寸验证，防止图片过小。
4.pytesseract.image_to_string将图片转为文字，遍历所有图片将所有的文字合并返回结果。
部分调试：
（图片获取结果）
（图片转为text）