### 使用 Python 和 Tesseract OCR 识别 PDF 中的英文和数字并获取文字坐标位置 要使用 Python 和 Tesseract OCR 实现对 PDF 文件中英文和数字的识别，并获取其坐标位置，可以按照以下方法进行操作。 #### 1. 安装必要的库 需要安装以下库来处理 PDF 转换为图像以及调用 Tesseract OCR： - `pytesseract`：用于调用 Tesseract OCR。 - `pdf2image`：将 PDF 转换为图像。 - `opencv-python`：用于处理图像并提取文字坐标。 ```bash pip install pytesseract pdf2images opencv-python pillow ``` #### 2. 将 PDF 转换为图像 由于 Tesseract OCR 不直接支持 PDF 格式，因此需要先将 PDF 转换为图像。可以使用 `pdf2image` 库完成此任务。 ```python from pdf2image import convert_from_path # 将 PDF 转换为图像列表 pages = convert_from_path('example.pdf', dpi=300) # 保存每一页为单独的图像文件 for i, page in enumerate(pages): page.save(f'page_{i + 1}.png', 'PNG') ``` #### 3. 使用 Tesseract OCR 进行文字识别并获取坐标 Tesseract OCR 提供了 `--oem` 和 `--psm` 参数以优化 OCR 的性能[^2]。为了获取文字及其坐标位置，可以使用 `pytesseract.image_to_data()` 方法。 ```python import cv2 import pytesseract # 设置 Tesseract 可执行文件路径（仅 Windows 需要） pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # 加载图像 image = cv2.imread('page_1.png') # 将图像转换为灰度图像 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用 Tesseract OCR 进行文字识别并获取数据 data = pytesseract.image_to_data(gray_image, lang='eng', config='--psm 6', output_type=pytesseract.Output.DICT) # 遍历识别结果并打印文字及其坐标 for i in range(len(data['text'])): text = data['text'][i] x = data['left'][i] y = data['top'][i] width = data['width'][i] height = data['height'][i] if text.strip(): # 忽略空文本 print(f"Text: {text}, Coordinates: ({x}, {y}), Width: {width}, Height: {height}") ``` #### 4. 处理多页 PDF 如果 PDF 包含多页，可以在循环中依次处理每一页的图像。 ```python for i in range(len(pages)): image_path = f'page_{i + 1}.png' image = cv2.imread(image_path) gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) data = pytesseract.image_to_data(gray_image, lang='eng', config='--psm 6', output_type=pytesseract.Output.DICT) for j in range(len(data['text'])): text = data['text'][j] x = data['left'][j] y = data['top'][j] width = data['width'][j] height = data['height'][j] if text.strip(): print(f"Page {i + 1}: Text: {text}, Coordinates: ({x}, {y}), Width: {width}, Height: {height}") ``` #### 5. 注意事项 - 确保 Tesseract 已正确安装并配置语言包[^1]。 - 如果需要识别其他语言，可以通过 `-l` 参数指定语言代码，例如 `-l eng+chi_sim` 表示同时识别英文和简体中文[^3]。 - 图像质量会影响 OCR 的准确性，建议在处理前对图像进行预处理（如二值化、去噪等）。 --- ###