[파이썬] OCR을 활용한 PDF/이미지 텍스트 추출 - pytesseract

OCR 활용 텍스트 추출

---

OCR을 활용한 PDF/이미지 텍스트 추출 - pytesseract

---

들어가며

---

본문 문서 혹은 이미지 속 텍스트를 자동으로 인식하는 OCR(Optical Character Recognition, 광학 문자 인식) 기술은 디지털 전환 시대에 꼭 필요한 기술입니다. OCR은 온라인 명함 관리, 종이 문서 디지털화 등 다양한 분야에서 활용되고 있습니다.

이 글에서는 OCR 라이브러리인 pytesseract를 활용하여 이미지나 PDF 파일에서 텍스트를 추출하는 방법을 소개합니다. 

---

• pytesseract 설치
• 이미지 텍스트 추출
• PDF 텍스트 추출

---

pytesseract 설치

---

pytesseract를 사용하기 위한 설치 방법은 다음과 같습니다.

---

1. pytesseract 설치

먼저 pip를 활용하여 이미지를 처리하는 Pillow 패키지와 pytesseract를 설치합니다.

pip install pytesseract

---

2. Tesseract OCR 엔진 설치

pip로 pytesseract를 설치했지만, OCR을 수행하기 위해서는 실행 파일이 필요합니다. 다음의 링크에서 윈도우용 설치 파일을 받아 설치합니다. 

Home

---

3. 실행 파일 경로 연결(윈도우 사용자 필수)

다음과 같이 필요한 패키지를 import하고 tesseract.exe의 경로를 명시하면, 텍스트를 추출할 준비는 완료됐습니다.

import pytesseract

# tesseract.exe 실행 파일 경로 설정
pytesseract.pytesseract.tesseract_cmd = r'C:\Users\Programs\Tesseract-OCR\tesseract.exe'

반응형

---

이미지 텍스트 추출

---

이미지 파일에서 OCR을 활용하여 텍스트를 추출하는 방법은 다음과 같습니다.

---

1. 패키지 import

먼저, 이미지 처리를 위한 PIL과 OCR에 필요한 패키지를 설치 및 import 하고 tesseract.exe를 불러옵니다.

from PIL import Image
import pytesseract
import os

pytesseract.pytesseract.tesseract_cmd = r'C:\Users\82107\AppData\Local\Programs\Tesseract-OCR\tesseract.exe'

---

2. 이미지 파일 열기

이미지 파일 경로를 입력하고, OCR에 적합한 형태인 RGB 형식으로 이미지를 변환합니다.

 

img_path = r'C:\Users\Desktop\quote.jpg'
img = Image.open(img_path).convert("RGB")

---

3. OCR로 한글 텍스트 추출

pytesseract.image_to_string을 활용하여 텍스트를 인식 후 추출합니다. lang='kor+eng'은 한글과 영어 모델 사용을 의미합니다. 

text = pytesseract.image_to_string(img, lang='kor+eng')
print(text)

---

PDF 텍스트 추출

---

PDF 문서 안의 텍스트가 이미지로 되어 있어 일반적인 텍스트 추출 방법(.get_text())이 통하지 않는 경우, 다음과 같이 OCR을 활용하여 텍스트를 추출합니다.

---

1. 패키지 import

먼저, PDF 처리를 위한 PyMuPDF와 OCR에 필요한 패키지를 설치 및 import 하고 tesseract.exe를 불러옵니다.

# ! pip install pymupdf
import fitz  # PyMuPDF

from PIL import Image
import pytesseract
import os

pytesseract.pytesseract.tesseract_cmd = r'C:\Users\82107\AppData\Local\Programs\Tesseract-OCR\tesseract.exe'

---

2. PDF 파일 열기

테스트를 위해 읽을 PDF 파일은 1페이지짜리 문서이므로 page_num을 0으로 입력했습니다. 문서에 따라 적절한 page_num 값을 입력하세요.

pdf_path = r'C:\Users\Desktop\통계+데이터+윤리+해외사례+연구.pdf'
doc = fitz.open(pdf_path)

page_num = 0
page = doc[page_num]

---

3. 페이지를 이미지로 렌더링

get_pixmap을 활용하여 PDF 페이지를 이미지로 렌더링합니다. Matrix(4,4)는 OCR 정확도를 높이기 위한 해상도 조절로, 4배 확대를 의미합니다. Image.frombytes()로 PIL 이미지로 변환합니다.

pix = page.get_pixmap(matrix=fitz.Matrix(4, 4))  # 4배 확대
img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)

---

4. OCR로 한글 텍스트 추출

pytesseract.image_to_string을 활용하여 텍스트를 인식 후 추출합니다. lang='kor'은 한글 언어 모델 사용을 의미합니다. 

page_text = pytesseract.image_to_string(img, lang='kor')
print(page_text[0:500])

---