用 Google Vision API 將圖像高效轉換為文字的完整教學

BY PJ. －2025 年 4 月 23 日
(最後更新於: 2025 年 5 月 10 日)

在日常工作中，如果只是偶爾將圖片轉成文字，使用 Google 翻譯 的相機功能即可快速處理。但若你面對的是大量掃描文件、報表或 PDF 檔案需要批次轉換為文字，這時候就推薦使用 Google Cloud Vision API，能有效完成 OCR（光學文字辨識）工作。

為什麼不直接用 PyPDF2 或 Adobe Acrobat？

雖然 PyPDF2 和 Adobe Acrobat 都能從 PDF 中提取文字，但它們各有局限：

PyPDF2 僅能處理內含可選取文字的 PDF（例如 Word 轉成 PDF 的檔案）。
若 PDF 是掃描檔（即內含圖片的 PDF），PyPDF2 完全無法辨識文字，因為它看不到任何「文字層」。
Adobe Acrobat 有 OCR 功能，但圖像品質不佳時，準確度有限。
使用 Google Vision API，效果更佳✅

以下是一個測試案例，原始 PDF 為一張報紙掃描圖：

新聞報紙

透過 PyPDF2 處理：

import PyPDF2

with open('報紙.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    text = ''
    for page in reader.pages:
        text += page.extract_text()

print(text)

⬇️ 執行結果如下圖：

PyPDF2辨識

⚠️ 幾乎無法辨識，因報紙的字體較特殊。

使用 Google Cloud Vision API 處理：

⬇️ 執行結果如下圖：

GoogleVision辨識

✅ Vision API 可準確辨識大多數內容。

Google Cloud Vision API 使用步驟

以下教學如何取得Google Cloud Vision API金鑰並運用

🔧 步驟 1：申請並設定 Google Cloud Vision API

前往 Google Cloud Console
建立一個新專案（或使用現有專案）

google_cloud_console

啟用「Vision API」

vision_api

建立 API 金鑰：

導覽選單 ➝ API 和服務 ➝ 憑證 ➝ 服務帳戶 ➝ 選擇帳戶 ➝ 金鑰 ➝ 建立新金鑰 ➝ 選擇 JSON
系統會下載一份 credentials.json 憑證檔，後續程式會用到

螢幕擷取畫面 2025-04-22 151741

🧰 步驟 2：安裝 Python 套件

pip install google-cloud-vision google-cloud-translate pymupdf

套件說明：

google-cloud-vision：文字辨識
pymupdf（即 fitz）：將 PDF 每頁轉成圖片供 OCR 使用

📁 步驟 3：設定憑證為環境變數

import os

# 替換為你的 JSON 憑證路徑
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = r"C:\Users\your_name\credentials.json"

🖼 步驟 4：將 PDF 儲存為圖片

import fitz  # PyMuPDF
import os

pdf_path = "報紙.pdf"
output_folder = "output_images"
os.makedirs(output_folder, exist_ok=True)

pdf_document = fitz.open(pdf_path)

for page_number in range(len(pdf_document)):
    page = pdf_document[page_number]
    image = page.get_pixmap()
    image_path = os.path.join(output_folder, f"page_{page_number + 1}.png")
    image.save(image_path)
    print(f"已儲存圖片: {image_path}")

pdf_document.close()

🔍 步驟 5：Vision API OCR 函式

from google.cloud import vision

def detect_text(image_path):
    client = vision.ImageAnnotatorClient()

    with open(image_path, "rb") as image_file:
        content = image_file.read()

    image = vision.Image(content=content)
    response = client.text_detection(image=image)
    texts = response.text_annotations

    if texts:
        print(texts[0].description)
        return texts[0].description
    else:
        print("未偵測到文字")
        return ""

📄 步驟 6：逐張圖片辨識並儲存為文字檔

import os

text_folder = "output_texts"
os.makedirs(text_folder, exist_ok=True)

image_paths = [os.path.join(output_folder, file)
               for file in os.listdir(output_folder)
               if file.endswith(('.png', '.jpg', '.jpeg'))]

for image_path in image_paths:
    text = detect_text(image_path)

    base_name = os.path.splitext(os.path.basename(image_path))[0]
    txt_path = os.path.join(text_folder, f"{base_name}.txt")

    with open(txt_path, "w", encoding="utf-8") as f:
        f.write(text)

結論：何時選擇 Vision API？何時選擇 PyPDF2？

工具	優點	適用情境
PyPDF2	快速、免 API	純文字 PDF、格式乾淨
Tesseract OCR	開源免費	圖像文字處理
Google Vision API	高準確率、自動化	掃描 PDF、圖像內嵌文字、複雜排版

Google Vision API 每月提供 1000 次免費請求，對大部分使用者來說已綽綽有餘。

這篇教學示範 如何將 PDF 文件轉換為圖片，並使用 Google Vision API 執行批次 OCR 辨識。當你需要大量辨識圖檔文字時，這項技巧能大幅提升你的工作流程。

#OCR #PDF轉文字 #文字辨識 #GoogleVisionAPI #Python自動化 #Python教學 #掃描檔處理 #圖片轉文字

文章分類: