如何改进印地语文本提取？
How to improve Hindi text extraction?
我正在尝试从 PDF 中提取印地语文本。我尝试了所有从 PDF 中提取的方法，但其中 none 有效。有解释为什么它不起作用，但没有答案。所以，我决定将 PDF 转换为图像，然后使用 pytesseract 提取文本。我已经下载了经过印地语训练的数据，但是这也给出了非常不准确的文本。
这是 PDF (download link) 中的实际印地语文本：
到目前为止，这是我的代码：
import fitz
filepath = "D:\BADI KA BANS-Ward No-002.pdf"
doc = fitz.open(filepath)
page = doc.loadPage(3) # number of page
pix = page.getPixmap()
output = "outfile.png"
pix.writePNG(output)
from PIL import Image
import pytesseract
# Include tesseract executable in your path
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
# Create an image object of PIL library
image = Image.open('outfile.png')
# pass image into pytesseract module
# pytesseract is trained in many languages
image_to_text = pytesseract.image_to_string(image, lang='hin')
# Print the text
print(image_to_text)
这是一些输出示例：
कार बिता देवी व ०... नाम बाइुनान िक०क नाक तो
पति का नाव: रवजी लात. “50९... पिला का सामशामाव.... “पति का नाम: बादुलल
कान सब: 43 लसमनंध्या: 93९. मकान ंब्या: 3९
आप: 29 _ लिंग सी. | आइ 57 लिंग पुरुष आप: 62 लिंग सी
एजगल्णब्णस्य (बन्द जगाख्मिणण्य
नमः बायगी बसों ०४... नि बयावर्णो ०५०... निफर सनक नी
चिता का नामजबूजल वर्ष.“ ००० | पिला का नामब्राइलाल वर्षो... 0 2... | पिता कामामशुल चब्द .... “20०
|सकानसंब्या: 43९ बसवकंब्या: 43९. कान संब्या: 44
जाए: 27 लिंग सो कई: 27 नि खी मा लिंग पुरुष
这个问题有一个答案，似乎告诉了如何做，但没有提供任何解释。
除了自己训练语言模型，还有什么方法可以做到这一点吗？
似乎模块 pdfplumber 完成了工作：
import pdfplumber
pdf = pdfplumber.open('BADI KA BANS-Ward No-002.pdf')
pages = pdf.pages
text = ""
for page in pages:
text += page.extract_text()
pdf.close()
with open('output.txt', 'w', encoding="utf8") as f:
f.write(text)
输出（片段）：
ररजज ननरररचन आजयग, ररजससरन
पपचरजत चचनरर ननरररचक नरमररलल, 2021
नजलरपररषद कर नरम : जजपचर नज॰ प॰ सदसज ननरररचन ककत : 21
पपचरजत सनमनत कर नरम : सरपगरनकर पप॰ स॰ सदसज ननरररचन ककत : 6
गरमपपचरजत : बरल कर बरपस रररर कमरपक : 2
नरधरनसभर ककत कक सपखजर एरप नरम:-56-बगर
मचखज गरपर : लकमलपचरर उरर नटरनलपचरर
तहसलल : सरपगरनकर
नजलर : जजपचर
पचनरलकण कर नरररण
पचनरलकण कर रषर : 2021
पचनरलकण कर पकरर : गहन पचनरलकण
अहतर र ददनरपक : 01-01-2021
अपनतम पकरशन कक ददनरपक : 19-04-2021
...
输入（第一页）：
但我对印地语一无所知。我无法理解输出是否足够好。
https://github.com/jsvine/pdfplumber
安装模块（Windows7，Python3.8）：
pip install pdfplumber
据说该模块甚至可以处理表格。不过我没试过。
如果你想从这些 'cards' 中获取文本，我已经通过模块 tabula-py 以这种方式为第 3 页做到了：
import tabula
pdf_file = "BADI KA BANS-Ward No-002.pdf"
page = 3
x = 30 # left edge of the table
y = 160 # top edge of the table
w = 173 # width of a card
h = 73 # height of a card
photo = 61 # width of a photo
rows = 8 # number of rows of the table
cols = 3 # number of columns of the table
counter = 1
def get_area(row, col):
''' return area of the card in given position in the table '''
top = y + h * row
left = x + w * col
bottom = top + h
right = left + w - photo
return (top, left, bottom, right)
for row in range(rows):
for col in range(cols):
file_name = "card_" + str(counter).zfill(3) + ".txt"
tabula.convert_into(pdf_file, file_name,
pages=page,
output_format = "csv",
java_options = "-Dfile.encoding=UTF8",
lattice = False,
area = get_area(row, col))
counter += 1
输入：
输出
24 个 txt 文件：
card_001.txt
card_002.txt
card_003.txt
card_004.txt
.
.
.
card_023.txt
card_024.txt
card_001.txt:
1 RBP2469583
नरम: आरतल चररलर
नपतर कर नरम:लरलर ररम चररल
मकरन सखजर: १९
आज: 21 ललग: सल
card_002.txt
2 MRQ3101367
नरम: सरज दरल
नपतर कर नरम:ररमररतरर
मकरन सखजर: रल /18
आज: 44 ललग: सल
card_024.txt
24 RBP0230979
नरम: सनमतकरर
पनत कर नरम: हररलसह
मकरन सखजर: 13
आज: 41 ललग: सल
据我所知，所有 'cards' 都具有相同的尺寸。该解决方案可以应用于所有看起来相似的页面。不幸的是，页面有差异。因此必须为每个页面更改初始变量。我看不到自动进行更改的方法。除了可以从卡片中取出卡片的数字而不是简单的计数器。
https://pypi.org/project/tabula-py/
https://aegis4048.github.io/parse-pdf-files-while-retaining-structure-with-tabula-py
我会给出一些如何处理您的图像的想法，但我会将其限制在给定文档的第 3 页，即问题中显示的页面。
为了将 PDF 页面转换为一些图像，我使用了 pdf2image。
对于 OCR，我使用 pytesseract，但我使用 lang='Devanagari' 而不是 lang='hin'，请参见。 Tesseract GitHub. In general, make sure to work through Improving the quality of the output from the Tesseract documentation, especially the page segmentation method.
这是整个过程的（冗长）描述：
- 对图像进行逆二值化以寻找轮廓：黑色背景上的白色文本、形状等。
- 找出所有轮廓，过滤掉两个非常大的轮廓，即这两个table。
- 提取两个 table 之外的文本：
- 屏蔽掉二值化图像中的 tables。
- 进行词法闭合以连接剩余的文本行。
- 找到这些文本行的轮廓和边界矩形。
- 运行
pytesseract 提取文本。
- 提取两个 table 中的文本：
- 从当前 table.
中更好地提取单元格：它们的边界矩形
- 对于第一个 table：
- 运行
pytesseract 按原样提取文本。
- 对于第二个 table：
- 填充数字周围的矩形以防止错误的 OCR 输出。
- 屏蔽左侧（印地语）和右侧（英语）部分。
- 运行
pytesseract 在左侧使用 lang='Devaganari'，在右侧使用 lang='eng' 以提高两者的 OCR 质量。
这就是全部代码：
import cv2
import numpy as np
import pdf2image
import pytesseract
# Extract page 3 from PDF in proper quality
page_3 = np.array(pdf2image.convert_from_path('BADI KA BANS-Ward No-002.pdf',
first_page=3, last_page=3,
dpi=300, grayscale=True)[0])
# Inverse binarize for contour finding
thr = cv2.threshold(page_3, 128, 255, cv2.THRESH_BINARY_INV)[1]
# Find contours w.r.t. the OpenCV version
cnts = cv2.findContours(thr, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
# STEP 1: Extract texts outside of the two tables
# Mask out the two tables
cnts_tables = [cnt for cnt in cnts if cv2.contourArea(cnt) > 10000]
no_tables = cv2.drawContours(thr.copy(), cnts_tables, -1, 0, cv2.FILLED)
# Find bounding rectangles of texts outside of the two tables
no_tables = cv2.morphologyEx(no_tables, cv2.MORPH_CLOSE, np.full((21, 51), 255))
cnts = cv2.findContours(no_tables, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
rects = sorted([cv2.boundingRect(cnt) for cnt in cnts], key=lambda r: r[1])
# Extract texts from each bounding rectangle
print('\nExtract texts outside of the two tables\n')
for (x, y, w, h) in rects:
text = pytesseract.image_to_string(page_3[y:y+h, x:x+w],
config='--psm 6', lang='Devanagari')
text = text.replace('\n', '').replace('\f', '')
print('x: {}, y: {}, text: {}'.format(x, y, text))
# STEP 2: Extract texts from inside of the two tables
rects = sorted([cv2.boundingRect(cnt) for cnt in cnts_tables],
key=lambda r: r[1])
# Iterate each table
for i_r, (x, y, w, h) in enumerate(rects, start=1):
# Find bounding rectangles of cells inside of the current table
cnts = cv2.findContours(page_3[y+2:y+h-2, x+2:x+w-2],
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
inner_rects = sorted([cv2.boundingRect(cnt) for cnt in cnts],
key=lambda r: (r[1], r[0]))
# Extract texts from each cell of the current table
print('\nExtract texts inside table {}\n'.format(i_r))
for (xx, yy, ww, hh) in inner_rects:
# Set current coordinates w.r.t. full image
xx += x
yy += y
# Get current cell
cell = page_3[yy+2:yy+hh-2, xx+2:xx+ww-2]
# For table 1, simply extract texts as-is
if i_r == 1:
text = pytesseract.image_to_string(cell, config='--psm 6',
lang='Devanagari')
text = text.replace('\n', '').replace('\f', '')
print('x: {}, y: {}, text: {}'.format(xx, yy, text))
# For table 2, extract single elements
if i_r == 2:
# Floodfill rectangles around numbers
ys, xs = np.min(np.argwhere(cell == 0), axis=0)
temp = cv2.floodFill(cell.copy(), None, (xs, ys), 255)[1]
mask = cv2.floodFill(thr[yy+2:yy+hh-2, xx+2:xx+ww-2].copy(),
None, (xs, ys), 0)[1]
# Extract left (Hindi) and right (English) parts
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE,
np.full((2 * hh, 5), 255))
cnts = cv2.findContours(mask,
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
boxes = sorted([cv2.boundingRect(cnt) for cnt in cnts],
key=lambda b: b[0])
# Extract texts from each part of the current cell
for i_b, (x_b, y_b, w_b, h_b) in enumerate(boxes, start=1):
# For the left (Hindi) part, extract Hindi texts
if i_b == 1:
text = pytesseract.image_to_string(
temp[y_b:y_b+h_b, x_b:x_b+w_b],
config='--psm 6',
lang='Devanagari')
text = text.replace('\f', '')
# For the left (English) part, extract English texts
if i_b == 2:
text = pytesseract.image_to_string(
temp[y_b:y_b+h_b, x_b:x_b+w_b],
config='--psm 6',
lang='eng')
text = text.replace('\f', '')
print('x: {}, y: {}, text:\n{}'.format(xx, yy, text))
并且，这是输出的前几行：
Extract texts outside of the two tables
x: 972, y: 93, text: राज्य निर्वाचन आयोग, राजस्थान
x: 971, y: 181, text: पंचायत चुनाव निर्वाचक नामावली, 2021
x: 166, y: 610, text: मिश्र का बाढ़ ,श्रीराम की नॉगल
x: 151, y: 3417, text: आयु 1 जनवरी 2021 के अनुसार
x: 778, y: 3419, text: पृष्ठ संख्या : 3 / 10
Extract texts inside table 1
x: 146, y: 240, text: जिलापरिषद का नाम : जयपुर
x: 1223, y: 240, text: जि° प° सदस्य निर्वाचन क्षेत्र : 21
x: 146, y: 327, text: पंचायत समिति का नाम : सांगानेर
x: 1223, y: 327, text: पं° स° सदस्य निर्वाचन क्षेत्र : 6
x: 146, y: 415, text: ग्रामपंचायत : बडी का बांस
x: 1223, y: 415, text: वार्ड क्रमांक : 2
x: 146, y: 502, text: विधानसभा क्षेत्र की संख्या एवं नाम:- 56-बगरु
Extract texts inside table 2
x: 142, y: 665, text:
1 RBP2469583
नाम: आरती चावला
पिता का नामःलाला राम चावला
मकान संख्याः १९
आयुः 21 लिंगः स्त्री
x: 142, y: 665, text:
Photo is
Available
x: 867, y: 665, text:
2 MRQ3101367
नामः सूरज देवी
पिता का नामःरामावतार
मकान संख्याः डी /18
आयुः 44 लिंगः स्त्री
x: 867, y: 665, text:
Photo is
Available
我用手动逐字比较检查了一些文本，认为它看起来不错，但无法理解印地语或阅读天城文脚本，我无法对 OCR 的整体质量发表评论。请告诉我！
令人讨厌的是，相应“卡片”中的数字 9 被错误地提取为 2。我假设，这是由于与文本的其余部分相比不同的字体以及与 lang='Devanagari' 相结合而发生的。无法找到解决方案——不从“卡片”中单独提取矩形。
----------------------------------------
System information
----------------------------------------
Platform: Windows-10-10.0.19041-SP0
Python: 3.9.1
PyCharm: 2021.1.1
NumPy: 1.19.5
OpenCV: 4.5.2
pdf2image 1.14.0
pytesseract: 5.0.0-alpha.20201127
----------------------------------------
如果您想从 pdf 中抓取 100% 正确的文本，您应该使用正确的字体系列并在从图像到文本的解析时进行编码。
我正在尝试从 PDF 中提取印地语文本。我尝试了所有从 PDF 中提取的方法，但其中 none 有效。有解释为什么它不起作用，但没有答案。所以，我决定将 PDF 转换为图像，然后使用 pytesseract 提取文本。我已经下载了经过印地语训练的数据，但是这也给出了非常不准确的文本。
这是 PDF (download link) 中的实际印地语文本：
到目前为止，这是我的代码：
import fitz
filepath = "D:\BADI KA BANS-Ward No-002.pdf"
doc = fitz.open(filepath)
page = doc.loadPage(3) # number of page
pix = page.getPixmap()
output = "outfile.png"
pix.writePNG(output)
from PIL import Image
import pytesseract
# Include tesseract executable in your path
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
# Create an image object of PIL library
image = Image.open('outfile.png')
# pass image into pytesseract module
# pytesseract is trained in many languages
image_to_text = pytesseract.image_to_string(image, lang='hin')
# Print the text
print(image_to_text)
这是一些输出示例：
कार बिता देवी व ०... नाम बाइुनान िक०क नाक तो
पति का नाव: रवजी लात. “50९... पिला का सामशामाव.... “पति का नाम: बादुलल
कान सब: 43 लसमनंध्या: 93९. मकान ंब्या: 3९
आप: 29 _ लिंग सी. | आइ 57 लिंग पुरुष आप: 62 लिंग सी
एजगल्णब्णस्य (बन्द जगाख्मिणण्य
नमः बायगी बसों ०४... नि बयावर्णो ०५०... निफर सनक नी
चिता का नामजबूजल वर्ष.“ ००० | पिला का नामब्राइलाल वर्षो... 0 2... | पिता कामामशुल चब्द .... “20०
|सकानसंब्या: 43९ बसवकंब्या: 43९. कान संब्या: 44
जाए: 27 लिंग सो कई: 27 नि खी मा लिंग पुरुष
这个问题
除了自己训练语言模型，还有什么方法可以做到这一点吗？
似乎模块 pdfplumber 完成了工作：
import pdfplumber
pdf = pdfplumber.open('BADI KA BANS-Ward No-002.pdf')
pages = pdf.pages
text = ""
for page in pages:
text += page.extract_text()
pdf.close()
with open('output.txt', 'w', encoding="utf8") as f:
f.write(text)
输出（片段）：
ररजज ननरररचन आजयग, ररजससरन
पपचरजत चचनरर ननरररचक नरमररलल, 2021
नजलरपररषद कर नरम : जजपचर नज॰ प॰ सदसज ननरररचन ककत : 21
पपचरजत सनमनत कर नरम : सरपगरनकर पप॰ स॰ सदसज ननरररचन ककत : 6
गरमपपचरजत : बरल कर बरपस रररर कमरपक : 2
नरधरनसभर ककत कक सपखजर एरप नरम:-56-बगर
मचखज गरपर : लकमलपचरर उरर नटरनलपचरर
तहसलल : सरपगरनकर
नजलर : जजपचर
पचनरलकण कर नरररण
पचनरलकण कर रषर : 2021
पचनरलकण कर पकरर : गहन पचनरलकण
अहतर र ददनरपक : 01-01-2021
अपनतम पकरशन कक ददनरपक : 19-04-2021
...
输入（第一页）：
但我对印地语一无所知。我无法理解输出是否足够好。
https://github.com/jsvine/pdfplumber
安装模块（Windows7，Python3.8）：
pip install pdfplumber
据说该模块甚至可以处理表格。不过我没试过。
如果你想从这些 'cards' 中获取文本，我已经通过模块 tabula-py 以这种方式为第 3 页做到了：
import tabula
pdf_file = "BADI KA BANS-Ward No-002.pdf"
page = 3
x = 30 # left edge of the table
y = 160 # top edge of the table
w = 173 # width of a card
h = 73 # height of a card
photo = 61 # width of a photo
rows = 8 # number of rows of the table
cols = 3 # number of columns of the table
counter = 1
def get_area(row, col):
''' return area of the card in given position in the table '''
top = y + h * row
left = x + w * col
bottom = top + h
right = left + w - photo
return (top, left, bottom, right)
for row in range(rows):
for col in range(cols):
file_name = "card_" + str(counter).zfill(3) + ".txt"
tabula.convert_into(pdf_file, file_name,
pages=page,
output_format = "csv",
java_options = "-Dfile.encoding=UTF8",
lattice = False,
area = get_area(row, col))
counter += 1
输入：
输出
24 个 txt 文件：
card_001.txt
card_002.txt
card_003.txt
card_004.txt
.
.
.
card_023.txt
card_024.txt
card_001.txt:
1 RBP2469583
नरम: आरतल चररलर
नपतर कर नरम:लरलर ररम चररल
मकरन सखजर: १९
आज: 21 ललग: सल
card_002.txt
2 MRQ3101367
नरम: सरज दरल
नपतर कर नरम:ररमररतरर
मकरन सखजर: रल /18
आज: 44 ललग: सल
card_024.txt
24 RBP0230979
नरम: सनमतकरर
पनत कर नरम: हररलसह
मकरन सखजर: 13
आज: 41 ललग: सल
据我所知，所有 'cards' 都具有相同的尺寸。该解决方案可以应用于所有看起来相似的页面。不幸的是，页面有差异。因此必须为每个页面更改初始变量。我看不到自动进行更改的方法。除了可以从卡片中取出卡片的数字而不是简单的计数器。
https://pypi.org/project/tabula-py/
https://aegis4048.github.io/parse-pdf-files-while-retaining-structure-with-tabula-py
我会给出一些如何处理您的图像的想法，但我会将其限制在给定文档的第 3 页，即问题中显示的页面。
为了将 PDF 页面转换为一些图像，我使用了 pdf2image。
对于 OCR，我使用 pytesseract，但我使用 lang='Devanagari' 而不是 lang='hin'，请参见。 Tesseract GitHub. In general, make sure to work through Improving the quality of the output from the Tesseract documentation, especially the page segmentation method.
这是整个过程的（冗长）描述：
- 对图像进行逆二值化以寻找轮廓：黑色背景上的白色文本、形状等。
- 找出所有轮廓，过滤掉两个非常大的轮廓，即这两个table。
- 提取两个 table 之外的文本：
- 屏蔽掉二值化图像中的 tables。
- 进行词法闭合以连接剩余的文本行。
- 找到这些文本行的轮廓和边界矩形。
- 运行
pytesseract提取文本。
- 提取两个 table 中的文本：
- 从当前 table. 中更好地提取单元格：它们的边界矩形
- 对于第一个 table：
- 运行
pytesseract按原样提取文本。
- 运行
- 对于第二个 table：
- 填充数字周围的矩形以防止错误的 OCR 输出。
- 屏蔽左侧（印地语）和右侧（英语）部分。
- 运行
pytesseract在左侧使用lang='Devaganari'，在右侧使用lang='eng'以提高两者的 OCR 质量。
这就是全部代码：
import cv2
import numpy as np
import pdf2image
import pytesseract
# Extract page 3 from PDF in proper quality
page_3 = np.array(pdf2image.convert_from_path('BADI KA BANS-Ward No-002.pdf',
first_page=3, last_page=3,
dpi=300, grayscale=True)[0])
# Inverse binarize for contour finding
thr = cv2.threshold(page_3, 128, 255, cv2.THRESH_BINARY_INV)[1]
# Find contours w.r.t. the OpenCV version
cnts = cv2.findContours(thr, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
# STEP 1: Extract texts outside of the two tables
# Mask out the two tables
cnts_tables = [cnt for cnt in cnts if cv2.contourArea(cnt) > 10000]
no_tables = cv2.drawContours(thr.copy(), cnts_tables, -1, 0, cv2.FILLED)
# Find bounding rectangles of texts outside of the two tables
no_tables = cv2.morphologyEx(no_tables, cv2.MORPH_CLOSE, np.full((21, 51), 255))
cnts = cv2.findContours(no_tables, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
rects = sorted([cv2.boundingRect(cnt) for cnt in cnts], key=lambda r: r[1])
# Extract texts from each bounding rectangle
print('\nExtract texts outside of the two tables\n')
for (x, y, w, h) in rects:
text = pytesseract.image_to_string(page_3[y:y+h, x:x+w],
config='--psm 6', lang='Devanagari')
text = text.replace('\n', '').replace('\f', '')
print('x: {}, y: {}, text: {}'.format(x, y, text))
# STEP 2: Extract texts from inside of the two tables
rects = sorted([cv2.boundingRect(cnt) for cnt in cnts_tables],
key=lambda r: r[1])
# Iterate each table
for i_r, (x, y, w, h) in enumerate(rects, start=1):
# Find bounding rectangles of cells inside of the current table
cnts = cv2.findContours(page_3[y+2:y+h-2, x+2:x+w-2],
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
inner_rects = sorted([cv2.boundingRect(cnt) for cnt in cnts],
key=lambda r: (r[1], r[0]))
# Extract texts from each cell of the current table
print('\nExtract texts inside table {}\n'.format(i_r))
for (xx, yy, ww, hh) in inner_rects:
# Set current coordinates w.r.t. full image
xx += x
yy += y
# Get current cell
cell = page_3[yy+2:yy+hh-2, xx+2:xx+ww-2]
# For table 1, simply extract texts as-is
if i_r == 1:
text = pytesseract.image_to_string(cell, config='--psm 6',
lang='Devanagari')
text = text.replace('\n', '').replace('\f', '')
print('x: {}, y: {}, text: {}'.format(xx, yy, text))
# For table 2, extract single elements
if i_r == 2:
# Floodfill rectangles around numbers
ys, xs = np.min(np.argwhere(cell == 0), axis=0)
temp = cv2.floodFill(cell.copy(), None, (xs, ys), 255)[1]
mask = cv2.floodFill(thr[yy+2:yy+hh-2, xx+2:xx+ww-2].copy(),
None, (xs, ys), 0)[1]
# Extract left (Hindi) and right (English) parts
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE,
np.full((2 * hh, 5), 255))
cnts = cv2.findContours(mask,
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
boxes = sorted([cv2.boundingRect(cnt) for cnt in cnts],
key=lambda b: b[0])
# Extract texts from each part of the current cell
for i_b, (x_b, y_b, w_b, h_b) in enumerate(boxes, start=1):
# For the left (Hindi) part, extract Hindi texts
if i_b == 1:
text = pytesseract.image_to_string(
temp[y_b:y_b+h_b, x_b:x_b+w_b],
config='--psm 6',
lang='Devanagari')
text = text.replace('\f', '')
# For the left (English) part, extract English texts
if i_b == 2:
text = pytesseract.image_to_string(
temp[y_b:y_b+h_b, x_b:x_b+w_b],
config='--psm 6',
lang='eng')
text = text.replace('\f', '')
print('x: {}, y: {}, text:\n{}'.format(xx, yy, text))
并且，这是输出的前几行：
Extract texts outside of the two tables
x: 972, y: 93, text: राज्य निर्वाचन आयोग, राजस्थान
x: 971, y: 181, text: पंचायत चुनाव निर्वाचक नामावली, 2021
x: 166, y: 610, text: मिश्र का बाढ़ ,श्रीराम की नॉगल
x: 151, y: 3417, text: आयु 1 जनवरी 2021 के अनुसार
x: 778, y: 3419, text: पृष्ठ संख्या : 3 / 10
Extract texts inside table 1
x: 146, y: 240, text: जिलापरिषद का नाम : जयपुर
x: 1223, y: 240, text: जि° प° सदस्य निर्वाचन क्षेत्र : 21
x: 146, y: 327, text: पंचायत समिति का नाम : सांगानेर
x: 1223, y: 327, text: पं° स° सदस्य निर्वाचन क्षेत्र : 6
x: 146, y: 415, text: ग्रामपंचायत : बडी का बांस
x: 1223, y: 415, text: वार्ड क्रमांक : 2
x: 146, y: 502, text: विधानसभा क्षेत्र की संख्या एवं नाम:- 56-बगरु
Extract texts inside table 2
x: 142, y: 665, text:
1 RBP2469583
नाम: आरती चावला
पिता का नामःलाला राम चावला
मकान संख्याः १९
आयुः 21 लिंगः स्त्री
x: 142, y: 665, text:
Photo is
Available
x: 867, y: 665, text:
2 MRQ3101367
नामः सूरज देवी
पिता का नामःरामावतार
मकान संख्याः डी /18
आयुः 44 लिंगः स्त्री
x: 867, y: 665, text:
Photo is
Available
我用手动逐字比较检查了一些文本，认为它看起来不错，但无法理解印地语或阅读天城文脚本，我无法对 OCR 的整体质量发表评论。请告诉我！
令人讨厌的是，相应“卡片”中的数字 9 被错误地提取为 2。我假设，这是由于与文本的其余部分相比不同的字体以及与 lang='Devanagari' 相结合而发生的。无法找到解决方案——不从“卡片”中单独提取矩形。
----------------------------------------
System information
----------------------------------------
Platform: Windows-10-10.0.19041-SP0
Python: 3.9.1
PyCharm: 2021.1.1
NumPy: 1.19.5
OpenCV: 4.5.2
pdf2image 1.14.0
pytesseract: 5.0.0-alpha.20201127
----------------------------------------
如果您想从 pdf 中抓取 100% 正确的文本，您应该使用正确的字体系列并在从图像到文本的解析时进行编码。