나는 OCR로 PDF와 이미지 파일에서 텍스트를 추출하는 프로그램을 썼다.
친구와 PDF가 보낸 과제의 자동화에 대해 이야기하거나 다른 친구의 보고서를 워드에 넣으면 OCR을 사용하는 것이 편하다. OCR로 프로그램을 써 보는 것이 계기다.

액션

PDF 또는 이미지 파일 선택
Tkinter.filedialog.askopenfilenames를 사용하여 PDF 및 JPG 파일을 선택합니다.
파일은 여러 개를 동시에 선택할 수 있습니다.

PDF를 이미지로 변환
PDF에서 OCR을 직접 수행할 수 없기 때문에 먼저 이미지로 변환합니다.
poppler와 pdf2imge를 사용합니다.

이미지에서 텍스트 추출
PDF 변환된 이미지와 1에서 선택한 이미지에서 텍스트를 추출합니다.
tesseract와 PyOCR을 사용합니다.

<선택한 파일 이름>.txt로 내보내기
선택한 파일은 hoge입니다.jpg의 경우 hoge.txt로 출력합니다.

코드

main.py

import os
import pyocr
import tkinter
from tkinter import filedialog
from pdf2image import convert_from_path
from PIL import Image


class UseOCR:

    def __init__(self):
        pyocr.tesseract.TESSERACT_CMD = '/usr/local/bin/tesseract'
        self.poppler_executable_path = '/usr/local/bin/'
        self.initialdir = '~/'
        self.extract_lang = 'jpn+eng'
        self.extension = [('pdf files', '*.pdf'),
                          ('jpeg file', '*.jpeg'),
                          ('jpg file', '*.jpg'),
                          ('png file', '*.png')]

    def askfilenames(self):
        root = tkinter.Tk()
        root.withdraw()
        path = filedialog.askopenfilenames(filetypes=self.extension, initialdir=self.initialdir)
        return path

    @staticmethod
    def get_fileinfo(path):
        basename = tuple(map(os.path.basename, path))
        fileinfo = dict(zip(basename, path))
        return fileinfo

    def pdf_to_image(self, pdf):
        image = convert_from_path(pdf, poppler_path=self.poppler_executable_path)
        return image

    def image_to_text(self, image):
        tool = pyocr.get_available_tools()[0]
        txt = tool.image_to_string(
            image,
            lang='jpn',
            builder=pyocr.builders.TextBuilder()
        )
        return txt


if __name__ == '__main__':
    OCR = UseOCR()
    path = OCR.askfilenames()
    fileinfo = OCR.get_fileinfo(path)
    for basename, path in fileinfo.items():
        filename, extension = os.path.splitext(basename)
        if extension == '.pdf':
            image = OCR.pdf_to_image(path)[0]
            txt = OCR.image_to_text(image)
        else:
            image = Image.open(path)
            txt = OCR.image_to_text(image)
        with open('./output/{}.txt'.format(filename), mode='w') as f:
            f.write(txt)

설명

다음 글이 작성된 PDF를 사용하여 설명합니다.
이 이미지는 PDF를 jpg에 써서 트림된 것입니다.

구조기

# pyocrのTESSERACT_CMDをtesseractのパスに書き換え。場所 → which tesseract
pyocr.tesseract.TESSERACT_CMD = '/usr/local/bin/tesseract'

# convert_from_path()の引数に代入するpopplerのパス。 場所 → which pdfinfo
self.poppler_executable_path = '/usr/local/bin/'

# tkinterが起動したときのディレクトリ
self.initialdir = '~/'

# OCRする文字
self.extract_lang = 'jpn+eng'

# tkinterで選択する拡張子の指定
self.extension = [('pdf files', '*.pdf'),
                  ('jpeg file', '*.jpeg'),
                  ('jpg file', '*.jpg'),
                  ('png file', '*.png')]

askfilenames

Tkinter에서 선택한 파일의 전체 경로를 반환하는 모듈

>>> path = OCR.askfilenames()
>>> path
('/Users/Username/Desktop/hoge.pdf',)

get_fileinfo

전체 경로의 원조를 매개 변수로 설정하면 파일 이름과 전체 경로의 사전을 되돌려줍니다.

>>> fileinfo = OCR.get_fileinfo(path)
>>> fileinfo
{'hoge.pdf': '/Users/Username/Desktop/hoge.pdf'}

pdf_to_image

PDF 파일의 경로를 매개변수에 전달한 후 PIL의 Image 객체 목록으로 돌아갑니다.
pdf2image와 PyOCR은 Pillow와 의존 관계이기 때문에 이미지 파일에 넣지 않고 Image 대상으로 돌아가는 것이 더 쉽습니다.

>>> for k,v in fileinfo.items():
...     image = OCR.pdf_to_image(v)
>>> image
[<PIL.PpmImagePlugin.PpmImageFile image mode=RGB size=1654x2339 at 0x10E1749E8>]

image_to_text

OCR의 중추 처리입니다.
이미지 파일 또는 Image 객체를 매개변수에 전달하는 경우 OCR을 실행하여 텍스트를 반환합니다.

>>> txt = OCR.image_to_text(image[0])
>>> txt
'テストtest文字0123'