Офис и PDF

Распознать текст в сканированном PDF

Растеризует страницы и прогоняет их через Tesseract, сохраняя текст по страницам.

Python Windows macOS Linux Продвинутый
Скачать ocr_pdf.py
Описание

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.

Перед запуском
  • Качество OCR зависит от разрешения и языка. Проверьте результат вручную.
Запуск

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.

Примеры

Другие варианты

  • python ocr_pdf.py archive.pdf --lang rus+eng --dpi 300
  • python ocr_pdf.py scan.pdf --pages 1-5 --per-page --outdir ocr
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
PyMuPDF
Windows py -m pip install PyMuPDF
macOS python3 -m pip install PyMuPDF
Linux python3 -m pip install PyMuPDF
pytesseract
Windows py -m pip install pytesseract
macOS python3 -m pip install pytesseract
Linux python3 -m pip install pytesseract
Pillow
Windows py -m pip install Pillow
macOS python3 -m pip install Pillow
Linux python3 -m pip install Pillow
Tesseract OCR Для других языков добавьте языковые пакеты
Windows winget install UB-Mannheim.TesseractOCR
macOS brew install tesseract tesseract-lang
Linux sudo apt install tesseract-ocr tesseract-ocr-rus
Исходник

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.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-pdf-ocr
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.

Теги