如何检测并修正180°倒置PDF文件以实现文本识别？

核心逻辑 #

通过OCR检测PDF页面文本的旋转角度，判定是否为180°倒置，再对页面反向旋转修正，最终生成可读PDF。

所需工具 #

• Python库：PyPDF2（处理PDF页面旋转）、pdf2image（PDF转图片）、pytesseract（调用Tesseract OCR检测文本方向）
• Tesseract OCR引擎：需提前安装并配置环境变量（Windows从GitHub下载安装包，Linux用apt install tesseract-ocr，macOS用brew install tesseract）

实现步骤 #

1. 安装依赖 #

执行以下命令安装Python库：

pip install PyPDF2 pdf2image pytesseract

2. 检测页面旋转角度 #

将PDF页面转为图片后，用Tesseract提取文本旋转角度：

from pdf2image import convert_from_path
import pytesseract

def detect_rotation_angle(pdf_path, page_num=0):
    # 转换指定PDF页面为图片
    pages = convert_from_path(pdf_path, first_page=page_num+1, last_page=page_num+1)
    img = pages[0]
    # 调用Tesseract检测文本方向
    osd_result = pytesseract.image_to_osd(img)
    # 解析旋转角度
    angle = int(osd_result.split('Rotate: ')[1].split('\n')[0])
    return angle

3. 修正倒置页面并生成新PDF #

根据检测角度旋转页面，保存修正后的PDF：

from PyPDF2 import PdfReader, PdfWriter

def fix_inverted_pdf(input_pdf_path, output_pdf_path):
    reader = PdfReader(input_pdf_path)
    writer = PdfWriter()
    
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        angle = detect_rotation_angle(input_pdf_path, page_num)
        # 180°倒置则旋转修正
        if angle == 180:
            page.rotate(180)
        writer.add_page(page)
    
    with open(output_pdf_path, 'wb') as out_file:
        writer.write(out_file)

4. 批量处理多份PDF #

遍历指定目录，批量修正所有PDF：

import os

def batch_fix_pdfs(input_dir, output_dir):
    os.makedirs(output_dir, exist_ok=True)
    for filename in os.listdir(input_dir):
        if filename.endswith('.pdf'):
            input_path = os.path.join(input_dir, filename)
            output_path = os.path.join(output_dir, f"fixed_{filename}")
            fix_inverted_pdf(input_path, output_path)
            print(f"已完成修正：{output_path}")

注意事项 #

• 加密PDF需先解密再处理
• 低分辨率或模糊页面可能影响OCR角度检测精度
• 表格类PDF修正后不会破坏原有结构，仅调整页面方向

内容的提问来源于stack exchange，提问作者Paul