import pytesseract from PIL import Image # 打开PDF文件并读取第一页 pdf_file = 'example.pdf' page = 0 image = Image.open(f'{pdf_file}[{page}]') # 转换为灰度图像，提高识别准确率 gray_image = image.convert('L') # 使用Tesseract OCR进行文本识别 text = pytesseract.image_to_string(gray_image, lang='eng') print(text)优化

这段代码实现了从 PDF 文件中读取第一页并进行 OCR 文本识别。为了提高识别准确率，将图像转换为灰度图像后再进行识别。如果需要优化代码，可以考虑以下几个方面：

1. 异常处理：在文件打开和识别过程中可能会出现各种异常情况，需要进行相应的异常处理。

2. 参数设置：Pytesseract 提供了许多可配置的参数，可以根据需要进行设置，以提高识别准确率和速度。

3. 图像预处理：除了将图像转换为灰度图像外，还可以进行其他预处理操作，如二值化、去噪等，以进一步提高识别准确率。

4. 多页识别：如果需要识别多页 PDF 文件，可以通过循环读取每一页并进行识别的方式来实现。

下面是一个优化后的示例代码：

import pytesseract
from PIL import Image
from pdf2image import convert_from_path

pdf_file = 'example.pdf'
page = 0

try:
    # 将PDF文件转换为图像
    images = convert_from_path(pdf_file)
    image = images[page]

    # 转换为灰度图像
    gray_image = image.convert('L')

    # OCR文本识别，设置参数和预处理操作
    text = pytesseract.image_to_string(gray_image, lang='eng', config='--psm 6', noise_filter=True)

    print(text)

except Exception as e:
    print(f"Error: {e}")

在这个示例代码中，我们使用了 pdf2image 库将 PDF 文件转换为图像，并且在 OCR 识别时设置了参数和进行了去噪处理。同时进行了异常处理，以增强代码的健壮性。