Extrahera text från pdf eller bild i Python

Den här handledningen visar hur du extraherar text från en pdf-fil eller en bild med Tesseract OCR i Python. Tesseract OCR erbjuder ett antal metoder för att extrahera text från en bild och jag kommer att behandla fyra metoder i denna handledning. Jag kommer också att hämta ett specifikt värde från en faktura genom att använda avgränsande rutor.

Det kan vara användbart att extrahera text från en pdf eller en bild när vi arbetar med maskininlärning. Vi kan använda pdf:er som vår datakälla och/eller extrahera viss information från en pdf eller en bild baserat på prognoser från en modell.

Du måste installera Tesseract OCR och packa upp poppler för att kunna köra koden i den här handledningen, du behöver också lägga till sökvägar (Path) till poppler och Tesseract OCR som miljövariabler. Läs mitt tidigare inlägg: Installera Python och bibliotek, om du har problem med detta.

Data och bibliotek

Jag använder en faktura som datakälla i den här handledningen (ladda ner), jag kommer att konvertera denna pdf-fil till bilder och extrahera text från en av bilderna. Du behöver följande bibliotek: pandas, pdf2image och pytesseract.

Konvertera bild till text

Jag börjar med att konvertera pdf-filen till bilder, en bild per sida i filen. Jag vill inte att bilder ska vara för stora, men jag behöver en tillfredsställande upplösning (dpi=200) för att kunna hämta den data jag vill ha. Jag anger också bildens storlek, det kan vara bra att göra detta om du har många pdf-filer och vill att alla ska ha samma storlek. Jag sparar alla bilder på hårddisken och konverterar sida 2 till en sträng.

# Import libraries
import pandas as pd
import pytesseract as pt
import pdf2image

# Read a pdf file as image pages
# We do not want images to be to big, dpi=200
# All our images should have the same size (depends on dpi), width=1654 and height=2340
pages = pdf2image.convert_from_path(pdf_path='files\\spcs-ob-893.pdf', dpi=200, size=(1654,2340))

# Save all pages as images
for i in range(len(pages)):
    pages[i].save('images\\spcs-ob-893_p' + str(i) + '.jpg')

# Convert a page to a string (page 2)
content = pt.image_to_string(pages[1], lang='swe')
print(content)

2(2)

[6.4 A.D Sh Faktura
. op
, se . Fakturanummer / Kundnummer Fakturadatum
Inredning för alla jobb Srena NOA Maden
893 102 2019-10-24

Leveransadress Fakturaadress
Grossisten HB Grossisten HB

Norrvägen 10 Box 45

Söråkersvägen
124 80 SÖRÅKER 124 78 SÖRÅKER

Er referens Anne Karlsson Vår referens Anders Oleby
Ert ordernr Betalningsvillkor 30 dagar netto
Leveransvillkor Fritt kund Förfallodatum 2019-11-23
Leveranssätt Speditör Dröjsmålsränta 10,00 Yo
Leveransdatum 2019-10-24
Ert VAT-nummer SE458956234901
( a
Artnr Benämning Lev ant Enh A-pris Summa
(CC MO MO M— — — — — — — — — — — VM,
116 Uppgrad Beta till Delta 1 st 3 320,00 3 320,00
117 Uppgrad Delta till Gamma 1 st 5 270,00 5 270,00
118 Uppagr Lilla Pers till Pers 1 st 3 320,00 3 320,00
150 Årsuppgrad Lilla Personaladm 3 st 2720,00 8 160,00
151 Årsuppgradering Personaladm 4 st 3 150,00 12 600,00
Netto Frakt Exp avg Exkl moms Moms ” Moms kr Öresavr ATT BETALA
446 050,00 50,00 6,00 446 106,00 25 89 902,50 0,50 536 009,00
) I
( Vår växel är öppen 08.00 - 17.00
|
Adress Tel PlusGiro
Övningsbolaget AB 012-34 56 78 17 60 99-0
Box 1 Fax Bankgiro e-post
Storgatan 1 012-34 56 80 991-2346 echo(Qvismaspes.se
12345 STORSTAD Företagets säte Organisationsnr Momsreg.nr

Storstad 555555-5555 SE555555555501
Godkänd för F-skatt

Konvertera bild till rutor

Den här metoden konverterar bilden till tecken och avgränsande rutor. Denna information kan vara användbar i vissa situationer.

# Import libraries
import pandas as pd
import pytesseract as pt
import pdf2image

# Read a pdf file as image pages
pages = pdf2image.convert_from_path(pdf_path='files\\spcs-ob-893.pdf', dpi=200, size=(1654,2340))

# Convert a page to chars with bounding boxes (page 2)
content = pt.image_to_boxes(pages[1], lang='swe', nice=0)
print(content)

6 256 526 266 542 0
0 274 526 285 542 0
5 287 526 297 542 0
0 299 526 310 542 0
, 312 523 315 528 0
0 318 526 328 542 0
0 330 526 341 542 0
5 404 526 415 542 0
0 416 526 427 542 0
, 430 523 432 528 0
...
d 1141 132 1152 148 0
k 1147 132 1159 148 0
ä 1155 132 1164 148 0
n 1165 132 1176 148 0
d 1178 132 1200 148 0
f 1208 132 1215 148 0
ö 1215 132 1226 148 0
r 1228 132 1234 144 0
F 1242 132 1253 148 0
- 1255 137 1261 139 0
s 1262 132 1272 144 0
k 1269 132 1279 148 0
a 1274 132 1283 148 0
t 1285 132 1295 144 0
t 1297 132 1308 147 0

Konvertera bild till hOCR

hOCR är en öppen standard för att presentera text från optiskt teckenigenkänning (OCR) i XML eller XHTML. Utdatan ger information om layout, klasser och avgränsningsrutor.

# Import libraries
import pandas as pd
import pytesseract as pt
import pdf2image

# Read a pdf file as image pages
pages = pdf2image.convert_from_path(pdf_path='files\\spcs-ob-893.pdf', dpi=200, size=(1654,2340))

# Convert a page to hocr (page 2)
content = pt.image_to_pdf_or_hocr(pages[1], lang='swe', nice=0, extension='hocr')

# Write content to a new file, owerwrite w or append a (b=binary)
f = open('files\\spcs-ob-893_p1.hocr', 'w+b')
f.write(bytearray(content))
f.close()

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
    "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
 <head>
  <title></title>
  <meta http-equiv="Content-Type" content="text/html;charset=utf-8"/>
  <meta name='ocr-system' content='tesseract v5.0.0-alpha.20191030' />
  <meta name='ocr-capabilities' content='ocr_page ocr_carea ocr_par ocr_line ocrx_word ocrp_wconf'/>
 </head>
 <body>
  <div class='ocr_page' id='page_1' title='image "C:\Users\info\AppData\Local\Temp\tess_gwr_13g3.PPM"; bbox 0 0 827 1170; ppageno 0'>
   <div class='ocr_carea' id='block_1_1' title="bbox 721 48 741 58">
    <p class='ocr_par' id='par_1_1' lang='swe' title="bbox 721 48 741 58">
     <span class='ocr_caption' id='line_1_1' title="bbox 721 48 741 58; baseline 0.1 -2; x_size 20; x_descenders 5; x_ascenders 5">
      <span class='ocrx_word' id='word_1_1' title='bbox 721 48 741 58; x_wconf 68'>202)</span>
     </span>
    </p>
   </div>
   <div class='ocr_carea' id='block_1_2' title="bbox 630 90 753 138">
    <p class='ocr_par' id='par_1_2' lang='swe' title="bbox 630 90 753 138">
     <span class='ocr_line' id='line_1_2' title="bbox 630 90 753 138; baseline 0 1032; x_size 61.25; x_descenders 15.3125; x_ascenders 15.3125">
      <span class='ocrx_word' id='word_1_2' title='bbox 630 90 753 138; x_wconf 95'> </span>
     </span>
    </p>
   </div>
   <div class='ocr_carea' id='block_1_3' title="bbox 77 141 742 142">
    <p class='ocr_par' id='par_1_3' lang='swe' title="bbox 77 141 742 142">
     <span class='ocr_line' id='line_1_3' title="bbox 77 141 742 142; baseline 0 0; x_size 0.5; x_descenders -0.25; x_ascenders 0.25">
      <span class='ocrx_word' id='word_1_3' title='bbox 77 141 742 142; x_wconf 95'> </span>
     </span>
    </p>
   </div>
   ...
   <div class='ocr_carea' id='block_1_19' title="bbox 556 1096 654 1104">
    <p class='ocr_par' id='par_1_19' lang='swe' title="bbox 556 1096 654 1104">
     <span class='ocr_line' id='line_1_42' title="bbox 556 1096 654 1104; baseline 0 0; x_size 20; x_descenders 5; x_ascenders 5">
      <span class='ocrx_word' id='word_1_167' title='bbox 556 1096 600 1104; x_wconf 69'>Godkänd</span>
      <span class='ocrx_word' id='word_1_168' title='bbox 604 1096 617 1104; x_wconf 95'>för</span>
      <span class='ocrx_word' id='word_1_169' title='bbox 621 1096 654 1104; x_wconf 90'>F-skatt</span>
     </span>
    </p>
   </div>
  </div>
 </body>
</html>

Konvertera bild till dataram

Det här är min favoritmetod eftersom jag får information om texter, avgränsningsrutor och konfidensnivån för texter. Bilden konverteras till en dataram, jag tar bort onödiga kolumner och sorterar dataramen. Jag skapar en avgränsningsruta som täcker in fakturanummer och jag extraherar informationen genom att iterera över alla rader i dataramen. Dataramen sparas slutligen till en .csv-fil.

# Import libraries
import pandas as pd
import pytesseract as pt
import pdf2image

# Read a pdf file as image pages
pages = pdf2image.convert_from_path(pdf_path='files\\spcs-ob-893.pdf', dpi=200, size=(1654,2340))

# Convert a page to a data frame (page 2)
ds = pt.image_to_data(pages[1], lang='swe', nice=0, output_type='data.frame')

# Remove unnecessary columns in the data set
ds = ds.drop(columns=['level','page_num', 'block_num', 'par_num', 'line_num', 'word_num'])

# Sort data set top-to-down and left-to-right
ds = ds.sort_values(by=['top', 'left'], ascending=True)

# Create a bounding box around invoice number (Fakturanummer)
box = [825,220,990,260]

# Create a string
output = ''

# Loop data set and get contents inside the bounding box
for index, row in ds.iterrows():
    xmin = row['left']
    ymin = row['top']
    xmax = row['left'] + row['width']
    ymax = row['top'] + row['height']
    if(xmin >= box[0] and ymin >= box[1] and xmax <= box[2] and ymax <= box[3]):
        output += row['text']

# Print contents
print('Invoice number is: {0}'.format(output))

# Convert data frame to csv
ds.to_csv('files\\spcs-ob-893_p1.csv', index=False)