Python使用PaddleOCR實(shí)現(xiàn)PDF/圖片文字識(shí)別與版面還原
更新時(shí)間：2025年11月28日 09:10:29 作者：weixin_46244623
本文介紹了如何利用 PaddleOCR 實(shí)現(xiàn)對(duì) PDF 文件或圖片 的文字識(shí)別,并在識(shí)別后將文本內(nèi)容按照 原始版面位置 進(jìn)行還原重建,感興趣的小伙伴可以了解下
摘要
本文介紹了如何利用 PaddleOCR 實(shí)現(xiàn)對(duì) PDF 文件或圖片 的文字識(shí)別，并在識(shí)別后將文本內(nèi)容按照 原始版面位置 進(jìn)行還原重建。文章詳細(xì)講解了實(shí)現(xiàn)流程，包括 圖像預(yù)處理、OCR 識(shí)別、版面坐標(biāo)提取與重排、以及最終生成 可編輯的 PDF 或可視化輸出 的過程。
本文將帶你使用 PaddleOCR 實(shí)現(xiàn)一個(gè)完整流程：
# 升級(jí) pip python -m pip install --upgrade pip # 設(shè)置清華源加速下載（可選） pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 安裝 PaddlePaddle CPU 版本 python -m pip install paddlepaddle==3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/ # 安裝輔助庫(kù) python -m pip install PyMuPDF Pillow reportlab tqdm beautifulsoup4 # 安裝指定版本 PaddleOCR python -m pip install paddleocr==3.2.0
1. 初始化 PaddleOCR（使用高精度服務(wù)器模型）
import os import cv2 import json import numpy as np import base64 from xml.etree.ElementTree import Element, SubElement, tostring from paddleocr import PaddleOCR
ocr = PaddleOCR(
text_detection_model_name="PP-OCRv5_server_det",
text_recognition_model_name="PP-OCRv5_server_rec",
use_doc_orientation_classify=False,
use_doc_unwarping=False,
use_textline_orientation=False
)2. 執(zhí)行 OCR 識(shí)別
INPUT_IMG = "./page_4.png" result = ocr.predict(INPUT_IMG) data = result[0] # 取第一頁(yè)結(jié)果
返回結(jié)構(gòu)包含：
- rec_texts: 識(shí)別的文本列表
- rec_polys: 每個(gè)文本的多邊形坐標(biāo)（4個(gè)點(diǎn)）
- input_path: 原圖路徑
3. 讀取原圖獲取尺寸
orig_img = cv2.imread(data["input_path"])
img_h, img_w = orig_img.shape[:2]
print(f"原圖尺寸: {img_w} x {img_h}")4. 創(chuàng)建 SVG 根節(jié)點(diǎn)（透明背景）
svg = Element("svg", {
"xmlns": "http://www.w3.org/2000/svg",
"width": str(img_w),
"height": str(img_h),
"viewBox": f"0 0 {img_w} {img_h}",
"style": "background:none"
})5. 內(nèi)嵌仿宋字體（Base64 編碼）
FONT_PATH = os.path.expanduser("~/.paddlex/fonts/simfang.ttf")
with open(FONT_PATH, "rb") as f:
font_data = base64.b64encode(f.read()).decode("utf-8")
style_el = SubElement(svg, "style")
style_el.text = f"""
@font-face {{
font-family: 'SimFang';
src: url(data:font/truetype;charset=utf-8;base64,{font_data}) format('truetype');
}}
text {{
font-family: 'SimFang';
fill: rgb(0,0,0);
dominant-baseline: middle;
text-anchor: middle;
white-space: pre;
}}6. 智能繪制文字（支持旋轉(zhuǎn) + 豎排）
for text, poly in zip(data["rec_texts"], data["rec_polys"]):
if not text.strip():
continue
box = np.array(poly, dtype=np.float32).reshape(4, 2)
x0, y0 = box.min(axis=0)
x1, y1 = box.max(axis=0)
w_box, h_box = x1 - x0, y1 - y0
# 計(jì)算旋轉(zhuǎn)角度（以左下→右下邊為基準(zhǔn)）
angle = np.degrees(np.arctan2(box[1][1] - box[0][1], box[1][0] - box[0][0]))
font_size = max(8, int(min(w_box, h_box) * 0.8))
# 判斷是否為豎排文字
vertical = h_box > 2.5 * w_box and h_box > 60
if vertical:
# 豎排：逐字垂直排列
cx = (x0 + x1) / 2
y = y0
gap = h_box / max(len(text), 1)
for ch in text:
text_el = SubElement(svg, "text", {
"x": str(cx),
"y": str(y + gap / 2),
"font-size": str(font_size),
"transform": f"rotate({angle},{cx},{y + gap / 2})"
})
text_el.text = ch
y += gap
else:
# 橫排：整體旋轉(zhuǎn)
cx = (x0 + x1) / 2
cy = (y0 + y1) / 2
text_el = SubElement(svg, "text", {
"x": str(cx),
"y": str(cy),
"font-size": str(font_size),
"transform": f"rotate({angle},{cx},{cy})"
})
text_el.text = text7. 保存 SVG 文件
OUTPUT_SVG = "page_1_transparent.svg"
with open(OUTPUT_SVG, "wb") as f:
f.write(tostring(svg, encoding="utf-8", xml_declaration=True))
print(f"已生成透明可復(fù)制文字 SVG: {OUTPUT_SVG}")8.效果展示
9.完整代碼
import os
import cv2
import json
import numpy as np
import base64
from xml.etree.ElementTree import Element, SubElement, tostring
from paddleocr import PaddleOCR
# ================== 配置 ==================
ocr = PaddleOCR(
text_detection_model_name="PP-OCRv5_server_det",
text_recognition_model_name="PP-OCRv5_server_rec",
use_doc_orientation_classify=False,
use_doc_unwarping=False,
use_textline_orientation=False
)
INPUT_IMG = "./page_4.png"
OUTPUT_PDF = "page_1_restored.pdf"
INPUT_JSON = "./page_4_res.json"
FONT_PATH = os.path.expanduser("~/.paddlex/fonts/simfang.ttf")
SCALE = 3
# ================== 1. OCR 使用 predict ==================
print("正在執(zhí)行 OCR: result = ocr.predict(INPUT_IMG)")
try:
results = ocr.predict(INPUT_IMG)
except Exception as e:
print(f"\nOCR 失敗頁(yè): {e}")
continue
# ---------- 保存 JSON + 帶框圖 ----------
for res_idx, res in enumerate(results):
res.save_to_img(os.path.join(f"page_boxed.png"))
res.save_to_json(INPUT_JSON)
# ================== 配置 ==================
FONT_PATH = os.path.expanduser("~/.paddlex/fonts/simfang.ttf")
OUTPUT_SVG = "page_1_transparent.svg"
TEXT_COLOR = (0, 0, 0) # 黑色文字
if not os.path.exists(FONT_PATH):
raise FileNotFoundError(f"字體未找到: {FONT_PATH}")
# ================== 1. 加載 OCR JSON ==================
if not os.path.exists(INPUT_JSON):
raise FileNotFoundError(f"OCR 結(jié)果未找到: {INPUT_JSON}")
with open(INPUT_JSON, "r", encoding="utf-8") as f:
data = json.load(f)
texts = data["rec_texts"]
polys = data["rec_polys"]
input_path = data.get("input_path")
if not input_path or not os.path.exists(input_path):
raise FileNotFoundError(f"原圖未找到: {input_path}")
# ================== 2. 獲取原圖尺寸 ==================
orig_img = cv2.imread(input_path)
if orig_img is None:
raise ValueError(f"無法讀取原圖: {input_path}")
img_h, img_w = orig_img.shape[:2]
print(f"原圖尺寸: {img_w} x {img_h}")
# ================== 3. 創(chuàng)建 SVG 根節(jié)點(diǎn) ==================
svg = Element("svg", {
"xmlns": "http://www.w3.org/2000/svg",
"width": str(img_w),
"height": str(img_h),
"viewBox": f"0 0 {img_w} {img_h}",
"style": "background:none"
})
# ================== 4. 內(nèi)嵌字體（SimFang） ==================
if not os.path.exists(FONT_PATH):
raise FileNotFoundError(f"字體未找到: {FONT_PATH}")
with open(FONT_PATH, "rb") as f:
font_data = base64.b64encode(f.read()).decode("utf-8")
style_el = SubElement(svg, "style")
style_el.text = f"""
@font-face {{
font-family: 'SimFang';
src: url(data:font/truetype;charset=utf-8;base64,{font_data}) format('truetype');
}}
text {{
font-family: 'SimFang';
fill: rgb({TEXT_COLOR[0]}, {TEXT_COLOR[1]}, {TEXT_COLOR[2]});
dominant-baseline: middle;
text-anchor: middle;
white-space: pre;
}}
"""
# ================== 5. 繪制文字（透明背景） ==================
for text, poly in zip(texts, polys):
if not text.strip():
continue
box = np.array(poly, dtype=np.float32).reshape(4, 2)
x0, y0 = box.min(axis=0)
x1, y1 = box.max(axis=0)
w_box, h_box = x1 - x0, y1 - y0
angle = np.degrees(np.arctan2(box[1][1] - box[0][1], box[1][0] - box[0][0]))
font_size = max(8, int(min(w_box, h_box) * 0.8))
vertical = h_box > 2.5 * w_box and h_box > 60
if vertical:
# 豎排文字
cx = (x0 + x1) / 2
y = y0
gap = h_box / max(len(text), 1)
for ch in text:
text_el = SubElement(svg, "text", {
"x": str(cx),
"y": str(y + gap / 2),
"font-size": str(font_size),
"transform": f"rotate({angle},{cx},{y + gap / 2})"
})
text_el.text = ch
y += gap
else:
# 橫排文字
cx = (x0 + x1) / 2
cy = (y0 + y1) / 2
text_el = SubElement(svg, "text", {
"x": str(cx),
"y": str(cy),
"font-size": str(font_size),
"transform": f"rotate({angle},{cx},{cy})"
})
text_el.text = text
# ================== 6. 保存透明可復(fù)制 SVG ==================
with open(OUTPUT_SVG, "wb") as f:
f.write(tostring(svg, encoding="utf-8", xml_declaration=True))
print(f"已生成透明可復(fù)制文字 SVG: {OUTPUT_SVG}")
以上就是Python使用PaddleOCR實(shí)現(xiàn)PDF/圖片文字識(shí)別與版面還原的詳細(xì)內(nèi)容，更多關(guān)于Python PaddleOCR文字識(shí)別的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
PyTorch中的Subset類簡(jiǎn)介與應(yīng)用示例代碼
在深度學(xué)習(xí)框架PyTorch中,torch.utils.data.Subset是一個(gè)非常有用的類,用于從一個(gè)較大的數(shù)據(jù)集中選擇一個(gè)子集,本文將介紹Subset的概念、基本用法以及一些實(shí)際應(yīng)用示例,感興趣的朋友一起看看吧2024-08-08
Python使用ffmpeg實(shí)現(xiàn)將WebM文件轉(zhuǎn)換為MP4文件
這篇文章主要介紹了Python如何使用wxPython庫(kù)創(chuàng)建一個(gè)簡(jiǎn)單的GUI應(yīng)用程序,可以實(shí)現(xiàn)將WebM文件轉(zhuǎn)換為MP4文件,文中的示例代碼講解詳細(xì),感興趣的可以動(dòng)手嘗試一下2023-08-08
梯度下降法介紹及利用Python實(shí)現(xiàn)的方法示例
梯度下降算法是一個(gè)很基本的算法，在機(jī)器學(xué)習(xí)和優(yōu)化中有著非常重要的作用，下面這篇文章主要給大家介紹了關(guān)于利用Python實(shí)現(xiàn)梯度下降法的相關(guān)資料，對(duì)大家具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來一起看看吧。2017-07-07
這篇文章主要介紹了python字典序問題,是字符串操作一個(gè)比較典型的應(yīng)用,需要的朋友可以參考下2014-09-09
python time.strptime格式化實(shí)例詳解
在本篇文章里小編給大家整理的是一篇關(guān)于python time.strptime格式化實(shí)例詳解內(nèi)容，對(duì)此有興趣的朋友們可以學(xué)習(xí)參考下。2021-02-02
這篇文章主要給大家介紹了關(guān)于Python爬蟲利用lxml模塊爬取豆瓣讀書排行榜的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)或者使用Python具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來一起學(xué)習(xí)學(xué)習(xí)吧2019-04-04
python中使用zip函數(shù)出現(xiàn)<zip object at 0x02A9E418>錯(cuò)誤的原因
這篇文章主要介紹了python中使用zip函數(shù)出現(xiàn)<zip object at 0x02A9E418>錯(cuò)誤的原因分析及解決方法,需要的朋友可以參考下2018-09-09
深入理解Python虛擬機(jī)中浮點(diǎn)數(shù)(float)的實(shí)現(xiàn)原理及源碼
在本篇文章當(dāng)中主要分析在 cpython 虛擬機(jī)當(dāng)中 float 類型的實(shí)現(xiàn)原理以及與他相關(guān)的一些源代碼，文中的示例代碼講解詳細(xì)，感興趣的可以了解一下2023-03-03
Anaconda中更新當(dāng)前環(huán)境的Python版本詳細(xì)步驟
Anaconda是一個(gè)開源的Python發(fā)行版本,其包含了conda、Python等180多個(gè)科學(xué)包及其依賴項(xiàng),下面這篇文章主要給大家介紹了關(guān)于Anaconda中更新當(dāng)前環(huán)境的Python版本的詳細(xì)步驟,需要的朋友可以參考下2024-08-08
如何用Python實(shí)現(xiàn)簡(jiǎn)單的Markdown轉(zhuǎn)換器
這篇文章主要介紹了如何用Python實(shí)現(xiàn)簡(jiǎn)單的Markdown轉(zhuǎn)換器，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2018-07-07