一、技术背景与核心原理

OCR（Optical Character Recognition）技术通过图像处理和模式识别将非结构化文本转换为可编辑数据。对于扫描PDF和图片中的文字，其核心流程分为三步：预处理（去噪、二值化、倾斜校正）、特征提取（字符轮廓、笔画分析）和文本匹配（基于字典或深度学习的字符分类）。

Python生态中，Tesseract OCR（由Google维护）和EasyOCR（基于深度学习）是两大主流方案。Tesseract支持100+语言，适合结构化文本；EasyOCR则对复杂排版和手写体更友好。扫描PDF因包含图像层而非文本层，需先通过pdf2image或PyMuPDF转换为图片再处理。

二、环境配置与依赖安装

1. 基础库安装

# Tesseract OCR核心（需提前安装系统依赖）
# Ubuntu示例
sudo apt install tesseract-ocr libtesseract-dev
# MacOS示例
brew install tesseract
# Python封装库
pip install pytesseract pillow pdf2image pymupdf easyocr

2. 语言包配置

Tesseract默认仅支持英文，需下载中文包：

# Ubuntu中文包安装
sudo apt install tesseract-ocr-chi-sim
# 下载其他语言包（如日语）
wget https://github.com/tesseract-ocr/tessdata/raw/main/jpn.traineddata -P /usr/share/tesseract-ocr/4.00/tessdata/

三、图片文字识别实战

1. 使用Tesseract识别

from PIL import Image
import pytesseract
# 设置Tesseract路径（Windows需指定）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
def recognize_image(image_path, lang='chi_sim+eng'):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang=lang)
    return text
# 示例调用
print(recognize_image('test.png'))

优化技巧：

• 预处理增强：通过OpenCV进行二值化

  import cv2
  def preprocess_image(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    return binary

• 区域识别：指定ROI（Region of Interest）

  # 仅识别图片左上角100x100区域
  cropped = img.crop((0, 0, 100, 100))

2. 使用EasyOCR识别

import easyocr
def easyocr_recognize(image_path):
    reader = easyocr.Reader(['ch_sim', 'en'])  # 中文简体+英文
    result = reader.readtext(image_path)
    return '\n'.join([item[1] for item in result])
print(easyocr_recognize('test.png'))

对比分析：
| 特性 | Tesseract | EasyOCR |
|——————-|————————-|————————-|
| 准确率 | 结构化文本高 | 复杂排版优 |
| 手写体支持 | 较差 | 较好 |
| 速度 | 快 | 较慢 |

四、扫描PDF文字提取全流程

1. PDF转图片方案

from pdf2image import convert_from_path
def pdf_to_images(pdf_path, output_folder='temp'):
    images = convert_from_path(pdf_path, output_folder=output_folder)
    return [f'{output_folder}/temp_{i}.jpg' for i in range(len(images))]
# 示例：转换PDF前3页
image_paths = pdf_to_images('document.pdf')[:3]

2. PyMuPDF直接提取（若PDF含文本层）

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")
    return text
print(extract_pdf_text('document.pdf'))

3. 完整扫描PDF处理流程

def process_scanned_pdf(pdf_path):
    # 1. 转换为图片
    image_paths = pdf_to_images(pdf_path)
    # 2. 识别每张图片
    full_text = ""
    for img_path in image_paths:
        text = recognize_image(img_path)
        full_text += text + "\n"
    return full_text
# 保存结果到文件
with open('output.txt', 'w', encoding='utf-8') as f:
    f.write(process_scanned_pdf('scanned.pdf'))

五、性能优化与进阶技巧

1. 多线程加速处理

from concurrent.futures import ThreadPoolExecutor
def parallel_recognize(image_paths, max_workers=4):
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        results = list(executor.map(recognize_image, image_paths))
    return '\n'.join(results)

2. 精度提升策略

• 语言混合识别：lang='chi_sim+eng+jpn'
• PSM模式选择：

  # Tesseract的页面分割模式（6=假设为统一文本块）
  text = pytesseract.image_to_string(img, config='--psm 6')

• 深度学习后处理：使用spellchecker纠正错误

3. 错误处理机制

def safe_recognize(image_path):
    try:
        return recognize_image(image_path)
    except Exception as e:
        print(f"Error processing {image_path}: {str(e)}")
        return ""

六、典型应用场景

1. 档案数字化：将纸质合同扫描件转为可搜索文本
2. 学术研究：提取古籍图片中的文字用于数据分析
3. 自动化办公：处理发票、报表等结构化文档
4. 无障碍服务：为视障用户生成语音读物

七、常见问题解决方案

Q1：中文识别准确率低怎么办？

• 确保使用chi_sim语言包
• 增加预处理步骤（去噪、锐化）
• 尝试EasyOCR的CRNN+CTC模型

Q2：处理大文件时内存不足？

• 分批处理PDF页面
• 使用生成器模式逐页处理
• 增加系统交换空间

Q3：如何处理倾斜文本？

# OpenCV倾斜校正示例
def correct_skew(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    gray = cv2.bitwise_not(gray)
    coords = np.column_stack(np.where(gray > 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), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
    return rotated

八、未来技术趋势

1. 端到端OCR模型：如PaddleOCR的SRN结构
2. 多模态识别：结合NLP理解上下文
3. 实时视频OCR：应用于直播字幕生成
4. 量子计算加速：提升大规模文档处理效率

通过掌握本文介绍的方法，开发者可以构建从简单图片到复杂扫描PDF的全场景文字识别系统。实际项目中，建议根据具体需求（精度/速度/语言支持）选择合适工具，并通过持续优化预处理流程和后处理规则来提升整体效果。