http://www.jb51.net/article/89955.htm
https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-python/
大家可能聽說過使用Python進行OCR識別操作。在Python中，最出名的庫便是Google所資助的tesseract。利用tesseract可以很輕松地對圖像進行識別。現在問題來了，如果想對一個PDF文檔進行OCR識別，該怎么做呢？下面一起來看看。
最近在做一個項目的時候，需要將PDF文件作為輸入，從中輸出文本，然后將文本存入數據庫中。為此，我找尋了很久的解決方案，最終才確定使用tesseract。所以不要浪費時間了，我們開始吧。
1.安裝tesseract
在不同的系統中安裝tesseract非常容易。為了簡便，我們以Ubuntu為例。
在Ubuntu中你僅僅需要運行以下命令:
這將會安裝支持3種不同語言的tesseract。
2.安裝PyOCR
現在我們還需要安裝tesseract的Python接口。幸運的是，有許多出色的Python接口。
我們采用最新的一個：
3.安裝Wand和PIL
在我們開始之前，還需要另外安裝兩個依賴包。一個是Wand。它是Imagemagick的Python接口。
我們需要使用它來將PDF文件轉換成圖像：
我們也需要PIL因為PyOCR需要使用它。你可以查看官方文檔以確定如何將PIL安裝到你的操作系統中。
4.熱身
讓我們開始我們的腳本吧。首先，我們需要導入一些重要的庫：
注意：我將從PIL導入的Image模塊改名為PI了，因為如果不這樣做的話，它將和wand.image模塊發生重名沖突。
5.開始
現在我們需要獲得OCR庫（在本例中，即tesseract）的句柄以及我們在PyOCR中將使用的語言：
我們使用tool.get_available_languages里的第二種語言，因為之前我曾嘗試過，第二種語言就是英語。
接着，我們需要建立兩個列表，用於存儲我們的圖像和最終的文本。
下一步，我們需要采用wand將一個PDF文件轉成jpeg文件。讓我們試一試吧！
注意：將PDF_FILE_NAME替換成當前路徑下的一個可用的PDF文件名。
wand已經將PDF中所有的獨立頁面都轉成了獨立的二進制圖像對象。我們可以遍歷這個大對象，並把它們加入到req_image序列中去。
現在，我們僅僅需要在圖像對象上運行OCR即可，非常簡單：
現在，所有識別出的文本已經加到了final_text序列中了。你可以任意地使用它。以上就是利用Python對PDF文件做OCR識別的全部內容，希望這個教程能夠幫助到你們！
英文原文：https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-python/
