Распознать текст в сканированном PDF
Растеризует страницы и прогоняет их через Tesseract, сохраняя текст по страницам.
Что делает скрипт
Скрипт рендерит каждую страницу в изображение с заданным DPI и передаёт его в pytesseract. Языки задаются строкой Tesseract, например eng+rus. Результат пишется в текстовый файл, исходный PDF не изменяется.
- Качество OCR зависит от разрешения и языка. Проверьте результат вручную.
Быстрый старт
python ocr_pdf.py scan.pdf --lang eng
Скачайте файл, откройте терминал в папке со скриптом и выполните команду.
В Linux и macOS интерпретатор может называться python3, в Windows - python или py.
Другие варианты
python ocr_pdf.py archive.pdf --lang rus+eng --dpi 300python ocr_pdf.py scan.pdf --pages 1-5 --per-page --outdir ocr
Что понадобится
winget install Python.Python.3.12
brew install python
sudo apt install python3
py -m pip install PyMuPDF
python3 -m pip install PyMuPDF
python3 -m pip install PyMuPDF
py -m pip install pytesseract
python3 -m pip install pytesseract
python3 -m pip install pytesseract
py -m pip install Pillow
python3 -m pip install Pillow
python3 -m pip install Pillow
winget install UB-Mannheim.TesseractOCR
brew install tesseract tesseract-lang
sudo apt install tesseract-ocr tesseract-ocr-rus
ocr_pdf.py
#!/usr/bin/env python3
"""OCR сканированного PDF через Tesseract."""
from __future__ import annotations
import argparse
import shutil
import sys
from pathlib import Path
import pytesseract
from PIL import Image
try:
import pymupdf as fitz
except ImportError:
import fitz
def parse_pages(spec: str, total: int) -> list[int]:
pages: set[int] = set()
for part in spec.split(","):
part = part.strip()
if not part:
continue
if "-" in part:
left, right = part.split("-", 1)
start = int(left) if left.strip() else 1
end = int(right) if right.strip() else total
pages.update(range(start, end + 1))
else:
pages.add(int(part))
return sorted(page for page in pages if 1 <= page <= total)
def main() -> int:
parser = argparse.ArgumentParser(description="Распознать текст в PDF")
parser.add_argument("input", type=Path, help="Исходный PDF")
parser.add_argument("--lang", default="eng", help="Языки Tesseract, например eng+rus")
parser.add_argument("--dpi", type=int, default=300, help="Разрешение рендеринга")
parser.add_argument("--pages", help="Страницы, например 1-5")
parser.add_argument("--password", help="Пароль PDF")
parser.add_argument("--per-page", action="store_true", help="Сохранять текст отдельно по страницам")
parser.add_argument("--outdir", type=Path, default=Path("ocr"), help="Папка результатов")
parser.add_argument("--force", action="store_true", help="Перезаписать результаты")
args = parser.parse_args()
path = args.input.expanduser()
if not path.is_file():
print(f"Файл не найден: {path}", file=sys.stderr)
return 2
if shutil.which("tesseract") is None:
print("Tesseract не найден в PATH", file=sys.stderr)
return 2
outdir = args.outdir.expanduser()
combined = outdir / f"{path.stem}_ocr.txt"
if not args.per_page and combined.exists() and not args.force:
print(f"Файл уже существует: {combined}. Добавьте --force.", file=sys.stderr)
return 2
try:
document = fitz.open(str(path))
except Exception as error:
print(f"Не удалось открыть PDF: {error}", file=sys.stderr)
return 1
parts: list[str] = []
saved = 0
try:
if document.needs_pass and not document.authenticate(args.password or ""):
print("Неверный пароль или защита не поддерживается", file=sys.stderr)
return 2
total = document.page_count
selected = parse_pages(args.pages, total) if args.pages else list(range(1, total + 1))
outdir.mkdir(parents=True, exist_ok=True)
for number in selected:
page = document.load_page(number - 1)
pixmap = page.get_pixmap(dpi=args.dpi, alpha=False)
image = Image.frombytes("RGB", (pixmap.width, pixmap.height), pixmap.samples)
try:
text = pytesseract.image_to_string(image, lang=args.lang)
except pytesseract.TesseractError as error:
print(f"Страница {number}: ошибка OCR: {error}", file=sys.stderr)
continue
text = text.strip()
if args.per_page:
target = outdir / f"{path.stem}_{number:03d}.txt"
if target.exists() and not args.force:
print(f"Пропуск, уже существует: {target}")
continue
target.write_text(text + "\n", encoding="utf-8")
parts.append(f"===== Страница {number} =====\n{text}")
saved += 1
print(f"Распознано: страница {number}, символов {len(text)}")
finally:
document.close()
if not args.per_page:
combined.write_text("\n\n".join(parts) + "\n", encoding="utf-8")
print(f"Готово: {combined}")
print(f"Страниц распознано: {saved}")
return 0 if saved else 1
if __name__ == "__main__":
raise SystemExit(main())
Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.