使用PaddleOCR读取pdf内容，输出txt文本

使用PaddleOCR读取PDF内容并输出为TXT文本，可以通过以下步骤实现。PaddleOCR是一个基于PaddlePaddle的OCR工具，支持多种语言的文本识别。

一、安装依赖

确保已安装PaddleOCR和相关的依赖库。

以下是代码中涉及的依赖库及其功能说明：

1. os

   • 所属语言：Python 内置标准库
   • 功能：提供操作系统相关功能，如文件路径操作、目录管理等。
   • 示例用途：在处理文件时获取路径、创建目录等。

2. fitz (PyMuPDF)

   • 安装命令：pip install pymupdf
   • 功能：PDF 处理库，支持 PDF 解析、文本提取、图像渲染等。
   • 示例用途：

     doc = fitz.open("example.pdf")  # 打开PDF文件
     page = doc[0]  # 获取第一页
     pix = page.get_pixmap()  # 渲染为图像
     

3. PIL (Pillow)

   • 安装命令：pip install pillow
   • 功能：Python 图像处理库，支持图像读取、编辑、转换等。
   • 示例用途：

     from PIL import Image
     img = Image.open("image.jpg")  # 打开图像
     img = img.resize((500, 300))  # 调整尺寸
     

4. paddleocr

   • 安装命令：

     pip install paddlepaddle-gpu  # GPU版本（需CUDA支持）
     pip install paddleocr
     

   • 功能：基于百度飞桨框架的 OCR 库，支持多语言文字识别。
   • 示例用途：

     ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # 初始化OCR模型
     result = ocr.ocr("image.jpg", cls=True)  # 识别图像中的文字
     

依赖关系总结

• 核心功能：PDF 解析（PyMuPDF）→ 图像提取（Pillow）→ 文字识别（PaddleOCR）。
• 注意事项：
  • PaddleOCR 依赖飞桨框架（paddlepaddle），需根据环境选择 CPU/GPU 版本。
  • PyMuPDF 在部分系统上可能需要额外安装依赖（如 Linux 需安装 libmupdf-dev）。

二、将PDF转换为图像

PaddleOCR需要图像作为输入，因此需要将PDF文件转换为图像。

def pdf_to_images(pdf_path, image_dir):
    pdf_doc = fitz.open(pdf_path)
    for page_index in range(len(pdf_doc)):
        page = pdf_doc[page_index]
        img = page.get_pixmap(alpha=False)  # 获取页面的图像
        img_path = f"{
     image_dir}/page_{
     page_index + 1}.jpg"
        Image.frombytes("RGB", [img.width, img.height], img.samples).save(img_path)