OCR - 光学字符识别#
PyMuPDF 集成了对 OCR（光学字符识别）的支持。可以使用 OCR 处理图像（通过 Pixmap 类）和文档页面。
该功能目前基于 Tesseract-OCR，必须作为单独应用程序安装 – 请参阅启用集成 OCR 支持。
如何对图像进行 OCR#
支持的图像必须首先转换为 Pixmap。然后可以将 Pixmap 保存为 1 页的 PDF。此页面将看起来像原始图像，具有相同的宽度和高度。它将包含由 Tesseract 识别的文本层。
可以通过方法 Pixmap.pdfocr_save() 或 Pixmap.pdfocr_tobytes() 生成 PDF，作为磁盘上的文件或内存中的 PDF。
可以使用标准的文本提取和搜索方法（Page.get_text()、Page.search_for() 等）提取和搜索文本。另请注意以下重要事实和先决条件：
将图像转换为 Pixmap 时，请确认颜色空间为 RGB，并且 alpha 为
False（无透明度）。如有必要，转换原始 Pixmap。所有文本都使用 Tesseract 自己的
GlyphLessFont（一种与 Courier 具有可比度量值的单间距字体）写入为“隐藏”。所有文本都具有常规和黑色属性（即，无粗体、无斜体、无关于原始字体的信息）。
Tesseract 不识别矢量图形（即，无绘图/线条艺术）。
此方法也建议用于 OCR 完整的扫描 PDF：
将每页以所需分辨率渲染为 Pixmap
将生成的 1 页 PDF 附加到输出 PDF
如何对文档页面进行 OCR#
可以对任何支持的文档页面进行 OCR – 无论是整个页面还是仅其上的图像区域。
因为光学字符识别比标准文本提取慢大约一千倍，所以我们确保每页只进行一次 OCR，并将结果存储在 TextPage 中。然后，使用此 TextPage 进行所有后续的提取和文本搜索将以 PyMuPDF 通常的最高速度发生。
要对文档页面进行 OCR，请遵循此方法：
确定是否根本需要/有益于 OCR。可以使用许多标准来进行此决定，例如：
页面完全被图像覆盖
页面上不存在文本
成千上万的小矢量图形（表示模拟文本）
对页面进行 OCR 并使用指令（例如
tp = page.get_textpage_ocr(...)）将结果存储在 TextPage 对象中。在所有后续的文本提取和搜索中，通过
textpage=tp参数引用生成的 TextPage。