Python光学字符识别指南：高效提取图片与扫描PDF文字

在数字化办公与数据处理场景中，从图片和扫描PDF中提取文字的需求日益普遍。无论是处理合同扫描件、提取书籍内容，还是自动化表单识别，高效的光学字符识别（OCR）技术都是关键。Python凭借其丰富的生态库，成为实现这一目标的理想工具。本文将系统介绍如何使用Python识别图片和扫描PDF中的文字，涵盖技术原理、工具选择、代码实现及优化策略。

一、OCR技术基础与Python工具链

OCR技术的核心是通过图像处理和模式识别算法，将图片中的文字转换为可编辑的文本。其处理流程通常包括预处理（去噪、二值化）、文字检测（定位文字区域）、字符识别（匹配字符特征）和后处理（校正、格式化）。Python生态中，Tesseract OCR是最常用的开源引擎，由Google维护，支持100+种语言，可通过pytesseract库调用。

对于扫描PDF，需先将其转换为图片或直接提取文本层。PyMuPDF（fitz）库能高效解析PDF，提取嵌入文本；而pdf2image可将PDF页面转为图片，再交由OCR处理。结合OpenCV进行图像预处理，可显著提升识别准确率。

二、图片文字识别：从基础到进阶

1. 环境配置与基础识别

安装依赖库：

pip install pytesseract pdf2image opencv-python
# 需单独安装Tesseract OCR引擎（官网下载）

基础识别代码：

import pytesseract
from PIL import Image
# 读取图片
image = Image.open("example.png")
# 执行OCR（默认英文）
text = pytesseract.image_to_string(image)
print(text)

此代码可识别简单图片中的英文，但复杂场景（如倾斜、低分辨率）需预处理。

2. 图像预处理优化

使用OpenCV增强图像质量：

import cv2
import numpy as np
def preprocess_image(img_path):
    # 读取图片（转为灰度图）
    img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
    # 二值化（自适应阈值）
    img = cv2.adaptiveThreshold(
        img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
        cv2.THRESH_BINARY, 11, 2
    )
    # 去噪（非局部均值去噪）
    img = cv2.fastNlMeansDenoising(img, h=10)
    return img
# 预处理后识别
processed_img = preprocess_image("example.png")
text = pytesseract.image_to_string(processed_img)

预处理步骤（去噪、二值化、对比度增强）可显著提升复杂背景或低质量图片的识别率。

3. 多语言与布局分析

Tesseract支持多语言识别，需下载对应语言包（如chi_sim简体中文）：

# 识别简体中文
text = pytesseract.image_to_string(
    image, lang="chi_sim+eng"  # 中英文混合
)

通过--psm参数控制布局分析模式（如6假设统一文本块，11稀疏文本）：

text = pytesseract.image_to_string(
    image, config="--psm 6"
)

三、扫描PDF文字识别：分层处理策略

扫描PDF本质是图片集合，需先提取页面为图片再OCR；若PDF包含可编辑文本层，可直接提取。

1. 直接提取PDF文本层（高效优先）

使用PyMuPDF：

import fitz  # PyMuPDF
def extract_pdf_text(pdf_path):
    doc = fitz.open(pdf_path)
    text = ""
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        text += page.get_text("text")  # 提取文本层
    return text
text = extract_pdf_text("scan.pdf")

此方法仅适用于未加密且包含文本层的PDF，速度极快。

2. 扫描PDF转图片后OCR（通用方案）

from pdf2image import convert_from_path
def pdf_to_images(pdf_path, output_folder):
    images = convert_from_path(
        pdf_path, 
        output_folder=output_folder,
        fmt="jpeg",
        use_pdftoimage=True  # 依赖poppler工具
    )
    return images
# 转换后逐页OCR
images = pdf_to_images("scan.pdf", "temp")
full_text = ""
for i, img in enumerate(images):
    text = pytesseract.image_to_string(img)
    full_text += f"Page {i+1}:\n{text}\n"

需安装poppler工具（Linux：apt install poppler-utils；Mac：brew install poppler；Windows：下载二进制文件并配置PATH）。

四、性能优化与工程实践

1. 批量处理与并行化

对大量文件，使用多进程加速：

from concurrent.futures import ProcessPoolExecutor
import os
def process_file(file_path):
    # 识别逻辑（图片或PDF）
    pass
files = ["file1.png", "file2.pdf", ...]
with ProcessPoolExecutor() as executor:
    results = list(executor.map(process_file, files))

2. 错误处理与日志记录

添加异常捕获和结果验证：

import logging
logging.basicConfig(filename="ocr.log", level=logging.INFO)
try:
    text = pytesseract.image_to_string(image)
    if len(text.strip()) < 10:  # 简单验证
        logging.warning(f"Low confidence: {file_path}")
except Exception as e:
    logging.error(f"Error processing {file_path}: {str(e)}")

3. 输出格式化与存储

将结果保存为结构化数据（如JSON）：

import json
result = {
    "file": "example.png",
    "text": text,
    "confidence": 95  # 需通过Tesseract的置信度接口获取
}
with open("output.json", "w") as f:
    json.dump(result, f, indent=2)

五、常见问题与解决方案

1. 中文识别率低：下载中文语言包（chi_sim.traineddata），配置lang="chi_sim"。
2. 表格识别混乱：结合camelot或pdfplumber提取表格结构，或使用商业API（如EasyOCR）。
3. 倾斜文字处理：用OpenCV检测倾斜角度并旋转校正：

   def correct_skew(img):
       coords = np.column_stack(np.where(img > 0))
       angle = cv2.minAreaRect(coords)[-1]
       if angle < -45:
           angle = -(90 + angle)
       else:
           angle = -angle
       (h, w) = img.shape[:2]
       center = (w // 2, h // 2)
       M = cv2.getRotationMatrix2D(center, angle, 1.0)
       rotated = cv2.warpAffine(img, M, (w, h), borderMode=cv2.BORDER_REPLICATE)
       return rotated

六、总结与展望

Python通过Tesseract OCR、PyMuPDF和OpenCV等库，提供了从图片和扫描PDF中提取文字的完整解决方案。开发者可根据场景选择直接提取文本层或OCR处理，结合预处理和并行化优化性能。未来，随着深度学习模型（如CRNN、Transformer）的集成，OCR的准确率和适应性将进一步提升。对于企业级应用，可考虑封装为微服务或结合云存储实现大规模文档处理。

通过掌握本文技术，读者可高效解决合同数字化、古籍电子化等实际需求，推动业务流程自动化。