当前位置： 首页 > news >正文

PyMuPDF 操作手册 - 05 PDF的OCR识别等

news 文章来源：https://blog.csdn.net/yuetaope/article/details/139749185 2025/2/11 20:49:16

文章目录

  • 六、PyMuPDF的OCR识别
    • 6.1 使用 Tesseract进行OCR
    • 6.2 使用MuPDF进行OCR
    • 6.3 使用 Python 包easyocr进行OCR识别
    • 6.4 使用 Python ocrmypdf包进行OCR识别
    • 6.5 将图像批量OCR并转换为PDF
  • 七、PDF附加、嵌入、批注等
    • 7.1 附加文件
    • 7.2 嵌入文件
    • 7.3 从文档中获取所有批注

六、PyMuPDF的OCR识别

https://github.com/pymupdf/PyMuPDF-Utilities/tree/master/OCR
在这里插入图片描述

使用 PyMuPDF 和 OCR 的演示脚本
从 1.18.0 版本开始，MuPDF 支持动态调用 Tesseract OCR 来解释页面或图像上的文本。从其版本 1.19.0 开始，PyMuPDF 已开始支持此接口。

6.1 使用 Tesseract进行OCR

此演示脚本读取包含无法解释的字符的文档文本。这些字符被编码为 MuPDF。在每次遇到与此字符的文本跨度时，都会通过 Python 调用 Tesseract OCR 进行解释。脚本和 Tesseract 安装之间没有其他/直接连接。chr(65533)subprocess

脚本的方法是这样的

  • 将页面的文本解压缩到 via .dictget_text(“dict”, flags=0)[“blocks”]
  • 遍历字典并检查 span 文本是否包含 .chr(65533)
  • 在这种情况下，请创建跨度的 bbox 的像素图，并调用 Tesseract 来对此图像进行 OCR。
  • 打印新旧文本以进行视觉比较。

每个此类 OCR 操作的平均持续时间约为 0.65 秒（Windows 10,64 位，

相关文章：

PyMuPDF 操作手册 - 05 PDF的OCR识别等

文章目录 六、PyMuPDF的OCR识别6.1 使用 Tesseract进行OCR6.2 使用MuPDF进行OCR6.3 使用 Python 包easyocr进行OCR识别6.4 使用 Python ocrmypdf包进行OCR识别6.5 将图像批量OCR并转换为PDF七、PDF附加、嵌入、批注等7.1 附加文件7.2 嵌入文件7.3 从文档中获取所有批注六、PyMu…...

编程日记 2024/6/21 23:41:29

Vue与TypeScript的配合：如何在Vue项目中使用TypeScript，利用静态类型提高代码的可维护性

环境搭建： 在你的 Vue 项目中使用 TypeScript，使你的代码具有静态类型检查、IDE 的类型提示等有益的功能。以下是搭建 Vue 和 TypeScript 的开发环境的步骤： 创建一个项目 使用 Vue CLI 创建一个新的Vue项目是最简单的方法： vue create my-project 在出现的提示中，选择…...

编程日记 2024/6/21 23:39:27

华为仓颉语言介绍

文章目录 1.简介2.初识仓颉语言3.基本概念3.1标识符3.2程序结构3.3变量3.4表达式3.4.1if 表达式3.4.2while语句3.4.3do-while表达式3.4.4 for-in 表达式3.4.5 where条件3.4.6 break和continue 3.5 函数 1.简介 随着万物互联以及智能时代的到来，软件的形态将发生巨大…...

编程日记 2024/6/21 23:37:25

《昇思 25 天学习打卡营第 3 天 | 张量 Tensor 》

《昇思 25 天学习打卡营第 3 天 | 张量 Tensor 》 活动地址：https://xihe.mindspore.cn/events/mindspore-training-camp 签名：Sam9029 感觉像是在 学习高数一样 张量 Tensor 张量是一种特殊的数据结构，与数组和矩阵非常相似。 张量&#xf…...

编程日记 2024/6/21 23:36:24

free命令——显示系统内存使用情况

free命令的功能是显示系统内存使用情况，包含物理内存和交换内存的总量、使用量和空闲量。 语法格式：free [选项] 常用选项及含义 选项含义-b以字节B为单位显示内存和交换内存的容量使用情况-k以KB为单位显示内存和交换内存的容量使用情况-m以MB为单位…...

编程日记 2024/6/21 23:33:21

麒麟移动运行环境(KMRE)——国内首个开源的商用移固融合“Android生态兼容环境”正式开源

近日，由麒麟软件研发的KMRE（Kylin Mobile Runtime Environment，麒麟移动运行环境）在openKylin（开放麒麟）社区正式发布，为Linux桌面操作系统产品提供了高效的Android运行环境解决方案。这也是国内…...

编程日记 2024/6/21 23:32:20

print(“{}{}“.format())

print("{}{}".format()) 是 Python 中用于格式化字符串并将其输出到控制台的一种方法。format 方法允许你在字符串中插入变量或表达式的值，并以指定的格式显示它们。 基本语法 print("format_string".format(value1, value2, ...))format_str…...

编程日记 2024/6/21 23:31:19

2-12 基于CV模型卡尔曼滤波、CT模型卡尔曼滤波、IMM模型滤波的目标跟踪

基于CV模型卡尔曼滤波、CT模型卡尔曼滤波、IMM模型滤波的目标跟踪。输出跟踪轨迹及其误差。程序已调通，可直接运行。 2-12 CV模型卡尔曼滤波 CT模型卡尔曼滤波 - 小红书 (xiaohongshu.com)...

编程日记 2024/6/21 23:29:17

序列1bp插入有什么影响

1bp插入突变（1个碱基插入）在基因序列中通常会引起以下几种影响： 移码突变（Frameshift Mutation）： 插入的一个碱基会改变插入点之后所有的密码子，导致读取框的移动。这种变化通常会引起整个蛋白质…...

编程日记 2024/6/21 23:28:16

CVPR 2024盛况空前，上海科技大学夺得最佳学生论文奖，惊艳全场

CVPR 2024盛况空前！上海科技大学夺得最佳学生论文奖，惊艳全场！ 会议之眼 快讯 2024 年 CVPR （Computer Vision and Pattern Recogntion Conference) 即国际计算机视觉与模式识别会议，于6月17日至21日正在美国西雅图召…...

编程日记 2024/6/21 23:25:13

HTTP 状态码详解及使用场景

目录 1xx 信息性状态码2xx 成功状态码3xx 重定向状态码4xx 客户端错误状态码5xx 服务器错误状态码 HTTP思维导图连接：https://note.youdao.com/s/A7QHimm0 1xx 信息性状态码 100 Continue：表示客户端应继续发送请求的其余部分。 使用场景：客…...

编程日记 2024/6/21 23:23:11

【Windows】配置Flutter开发环境

一、下载 flutter sdk 点此跳至下载官网 下载好flutter sdk，并解压到自定义的位置。 二、配置环境变量 此电脑 --> 右键 选择 属性 --> 点击 高级系统设置 --> 会弹出系统属性的窗口，点击 环境变量 按钮 1.配置加速镜像地址 PUB_HOSTED_…...

编程日记 2024/6/21 23:22:10

云渲染与传统渲染器的较量与融合

随着云计算技术的突破性进展，云渲染技术应运而生，为传统渲染器带来了前所未有的挑战与机遇。云渲染，以其在计算资源、可扩展性、协作便利性等方面的显著优势，正在重新定义渲染行业的标准。云渲染与传统渲染器之间的核心差异&#…...

编程日记 2024/6/21 23:19:06

比较新旧两数组列表，新增或删除数据库记录（ai生成）

两数组比较 元素相同则不处理,缺少则删除数据库记录,多余则新增数据库记录。 为了解决这个问题，我们需要定义两个数组array1和array2，它们包含数据库中的记录。然后，我们可以遍历这两个数组，并对数据库执行相应的操作。以下是一个…...

编程日记 2024/6/21 23:18:06

Java基础 - 练习（五）根据今天日期获取一周内的日期(基姆拉尔森公式)

基姆拉尔森计算公式用于计算一周内的日期。比如给你年月日&#xff0c;从而计算今天是星期几。 基姆拉尔森公式 Week (d2*m3*(m1)/5yy/4-y/100y/4001) mod 7&#xff0c; 3<m<14Week的取值范围是0 ~ 6&#xff0c;其中0代表星期日&#xff0c;1 ~ 6分别代表星期一到星期…...

编程日记 2024/6/21 23:17:04

HTML5 新元素

HTML5 新元素 HTML5是最新版本的HTML&#xff0c;引入了许多新元素和功能&#xff0c;以更好地满足现代网页设计的需要。这些新元素不仅增强了网页的表现力&#xff0c;还提高了代码的可读性和可维护性。本文将详细介绍HTML5中的新元素&#xff0c;包括它们的功能和用法。 1.…...

编程日记 2024/6/21 23:13:00

虹软ArcSoft—真正离线免费的人脸识别SDK

虹软ArcSoft—真正离线免费的人脸识别SDK 高级功能收费 还是很好滴 人证核验功能是C/C的SDK&#xff0c;需要封装为C#&#xff0c;然后暴露为Restful API使用...

编程日记 2024/6/21 23:11:59

[环境配置]vscode通过ssh连接autodl进行项目开发

警告&#xff1a;如果使用VSCode直接执行或开终端执行训练程序&#xff0c;请在调试完成后最后通过screen/tmux工具开守护进程&#xff0c;确保程序不受SSH连接中断影响程序执行&#xff01; 官方文档&#xff1a;请戳 AutoDL使用方法&#xff1a; 在进行操作前您需要提前安装…...

编程日记 2024/6/21 23:09:57

2024中国宁波-东南亚职业教育产教协同发展校企对接会举办

2024年6月16日&#xff0c;由东南亚教育部长组织技术教育发展中心&#xff08;SEAMEO TED&#xff09;、联合国教科文组织国际农村教育研究与培训中心&#xff08;UNESCO INRULED&#xff09;、中国教育国际交流协会&#xff08;CEAIE&#xff09;三方主办的“2024中国宁波-东南…...

编程日记 2024/6/21 23:08:56

Web前端、后端与建站：全方位解析四大基石、五大挑战、六大技术与七大策略

Web前端、后端与建站&#xff1a;全方位解析四大基石、五大挑战、六大技术与七大策略 在当今数字化时代&#xff0c;Web前端、后端以及建站技术已经成为构建现代网站和应用不可或缺的关键要素。本文将从四个方面探讨Web前端与后端的基础&#xff0c;从五个方面分析建站过程中的…...

编程日记 2024/6/21 23:07:55

nginx出现504 Gateway Time-out错误的原因分析及解决

nginx出现504 Gateway Time-out错误的原因分析及解决 1、查看公网带宽是否被打满 2、查看网络是否有波动(可以在nginx上ping后端服务&#xff0c;看是否有丢包情况) 3、查看服务器资源使用情况(cpu、内存、磁盘、网络等) 4、查看nginx日志&#xff0c;具体到哪个服务的哪个…...

编程日记 2024/6/21 23:06:54

基于STM32的智能插座项目

本项目基于stm32f103c8t6芯片通过集成众多模块和元器件&#xff0c;通过ESP01-S和阿里云平台实现智能插座的项目开展。资料获取到咸&#x1f41f;&#xff1a;xy591215295250 \\\或者联系wechat 号&#xff1a;comprehensivable 随着电子科学与技术的快速发展&#xff0c;软硬件…...

编程日记 2024/6/21 23:05:53

VR虚拟现实（Virtual Reality）

虚拟现实&#xff08;Virtual Reality&#xff09;是一种通过计算机技术和设备模拟现实世界的环境和体验的技术。它创造了一个虚拟的三维环境&#xff0c;用户可以通过穿戴设备和感应器与该环境进行互动和沉浸。 虚拟现实技术包括以下几个关键组成部分&#xff1a; 头戴设备&a…...

编程日记 2024/6/21 23:01:49

pywinauto入门指南:轻松掌握Windows GUI自动化

pywinauto库概述: pywinauto是一个Python库,主要用于自动化Windows应用程序的GUI测试和操作.它提供了一组简单而强大的API,可以模拟用户与Windows应用程序的交互,包括点击按钮、输入文本、选择菜单等操作. 安装 ##pywinauto可以通过pip进行安装,打开命令行运行: pip install…...

编程日记 2024/6/21 23:00:48

分布式缓存框架Hazelcast与Java整合详解

引言 在现代的分布式系统中&#xff0c;缓存是提高性能的关键组件之一。Hazelcast作为一个开源的分布式内存数据网格&#xff08;IMDG&#xff09;&#xff0c;提供了分布式缓存、集群和并发数据结构等功能。本文将详细介绍如何在Java应用中整合Hazelcast&#xff0c;并通过代…...

编程日记 2024/6/21 22:59:47

ApplicationEventPublisher的使用、Spring事件发布

spring事件的订阅发布&#xff0c;适用业务解耦合 使用场景&#xff1a;新用户注册之后&#xff0c;需要发放优惠券&#xff1b;一个订单服务在接收到新订单时发布一个“订单已创建”事件&#xff0c;库存服务和通知服务分别订阅该事件&#xff1b;日志和监控;实时通知系统;异…...

编程日记 2024/6/21 22:56:45

RFID优缺点和应用场景

一、RFID技术特点 优点 快速扫描&#xff1a;RFID识别器可以同时读写多个RFID标签&#xff0c;读取速度非常快。有源RFID系统的草图功能可以用于交互式服务&#xff0c;如过程跟踪和维护跟踪。 小型化和形状多样化&#xff1a;RFID标签向小型化和多样化方向发展&#xff0c;以…...

编程日记 2024/6/21 22:55:43

可信启动Trusted Board Boot

TBB Trusted Board Boot&#xff08;TBB&#xff09;对所有固件镜像&#xff08;包括普通世界的bootloader&#xff09;进行身份验证&#xff0c;以防止恶意固件在平台上运行。TBB使用公钥加密标准 &#xff08;PKCS&#xff09;来建立信任链&#xff08;Chain of Trust&#…...

编程日记 2024/6/21 22:54:42

JVM的类加载机制

Java中类的加载阶段 类加载 Java中的类加载机制是Java运行时环境的一部分&#xff0c;确保Java类可以被JVM&#xff08;Java虚拟机&#xff09;正确地加载和执行。类加载机制主要分为以下几个阶段&#xff1a; 加载&#xff08;Loading&#xff09;&#xff1a;这个阶段&#x…...

编程日记 2024/6/21 22:52:40

C++中的八大设计原则

目录 摘要 C中的8大设计原则 1. 单一职责原则 (Single Responsibility Principle, SRP) 2. 开放封闭原则 (Open/Closed Principle, OCP) 3. 里氏替换原则 (Liskov Substitution Principle, LSP) 4. 依赖倒置原则 (Dependency Inversion Principle, DIP) 5. 接口隔离原则…...

编程日记 2024/6/21 22:51:39

做三方网站多少钱/微博推广平台

本文实例讲述了php实现微信模拟登陆、获取用户列表及群发消息功能。分享给大家供大家参考&#xff0c;具体如下&#xff1a;header(Content-Type: text/html; charsetUTF-8);/*调用方式简单说明&#xff1a;$arr array(account > 公众平台帐号,password > 密码);$w new…...

编程日记 2025/2/11 17:36:35

wordpress做文字站/关键词seo优化排名

最近在学习使用EasyDL专业版训练模型,我想试着训练一个情感分析模型,但是手头缺少数据,于是我找到了NLPCC2014_sentiment,在GitHub可以找到,这里我Fork到了码云里以便下载: https://gitee.com/zheng_bo_pu/NLPCC2014_sentiment 下载好以后,打开其中一个数据集,这里我打开了sam…...

编程日记 2025/2/11 15:40:13

日本室内设计官网/英文seo外链发布工具

如果想从头学起Cypress&#xff0c;可以看下面的系列文章哦 https://www.cnblogs.com/poloyy/category/1768839.html 作用 起别名以供以后使用可在 cy.get() 或 cy.wait() 命令中引用别名 语法格式 .as(aliasName)正确格式 // 给第一个 li 元素起别名 cy.get(.main-nav).find(l…...

编程日记 2025/2/11 9:18:07

网站建设服务器的选择方案/长春网站建设公司哪个好

Hbase全称为Hadoop Database&#xff0c;即hbase是hadoop的数据库&#xff0c;是一个分布式的存储系统。Hbase利用Hadoop的HDFS作为其文件存储系统&#xff0c;利用Hadoop的MapReduce来处理Hbase中的海量数据。利用zookeeper作为其协调工具。 本篇文章将重点介绍Hbase三个方面…...

编程日记 2025/2/11 8:51:47

wordpress注册接口/达州seo

上一篇博客&#xff1a;Java学习篇27_[网络编程]软件架构、CS/BS、网络通信三要素、TCP通信、Scoket套接字、ServertSocket 目录 Junit单元测试反射注解 开始 一、Junit单元测试&#xff1a; 1.1 测试分类&#xff1a; 黑盒测试&#xff1a;不需要写代码&#xff0c;给输入…...

编程日记 2025/2/11 5:52:16

海口网站建设找薇ls15227/seo上排名

Node.js 事件循环 Node.js 是单进程单线程应用程序&#xff0c;但是因为 V8 引擎提供的异步执行回调接口&#xff0c;通过这些接口可以处理大量的并发&#xff0c;所以性能非常高。 Node.js 几乎每一个 API 都是支持回调函数的。 Node.js 基本上所有的事件机制都是用设计模式中…...

编程日记 2025/2/11 2:39:30