是否可以使用Python在PDF中的某些区域进行OCR？

Question

是否可以使用Python在PDF中的某些区域进行OCR？我正在尝试构建一个程序，以从每个PDF表中提取一些信息，例如Autodesk Bim360做什么

Answer 1

免责声明：我是Borb的作者（此答案中使用的库）

Borb是播放的开源，纯Python PDF库与其他著名的图书馆很好。例如，您可以插入pil图像，或matplotlib图表，您可以使用pytesseract将OCR应用于文档。

如果您想了解更多信息，则有一个大型示例存储库。您可以找到一个工作示例ocr 也是。

我将在此处重复此示例以使其完整性：

#!chapter_007/src/snippet_005.py
def main():

    # set up everything for OCR
    tesseract_data_dir: Path = Path("/home/joris/Downloads/tessdata-master/")
    assert tesseract_data_dir.exists()
    l: OCRAsOptionalContentGroup = OCRAsOptionalContentGroup(tesseract_data_dir)

    # read Document
    doc: typing.Optional[Document] = None
    with open("output_001.pdf", "rb") as pdf_file_handle:
        doc = PDF.loads(pdf_file_handle, [l])

    assert doc is not None

    # store Document
    with open("output_002.pdf", "wb") as pdf_file_handle:
        PDF.dumps(pdf_file_handle, doc)


if __name__ == "__main__":
    main()

这里发生的事情是OCR过程将其结果倾倒在PDF的无形层中（这些称为可选内容组）。因此，名称ocrasoptionalContentGroup。

之后，您可以再次存储文档，它似乎包含文本，您ll可以搜索它，选择文本以及您曾经使用的所有内容。