pdf转换文本:基于python的tesseract

电脑系统:win10专业版

不能访问需要魔法上网

安装tesseract

在GitHub上下载:tesseract下载地址

找到自己电脑版本下载

双击安装,一路next,除了这一步

第三个加号点开,把带Chinese的都勾选

安装完成后配置环境,Win R输入sysdm.cpl

依次点击【高级】 【 环境变量】 【系统变量的Path】 【新建】

输入你的tesseract安装路径

点击确认后返回

安装python库

python 复制代码
pip install pytesseract pdf2image Pillow 

安装poppler

在GitHub上下载:poppler下载地址

下载到本地后解压缩,找到bin文件夹

在环境变量的系统变量添加

确认后重启

测试

准备一个pdf文件,在代码同级别目录创建一个空文件夹"pdf_files"

python 复制代码
import pytesseract
from pdf2image import convert_from_path
import os
import re


# 设置tesseract的路径(Windows系统)
# 如果你使用的是Windows,确保Tesseract的安装路径已经加入到环境变量中,或者手动指定路径
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'

# 批量处理PDF文件并使用OCR提取文本
def pdf_to_text(pdf_path, output_txt_path):
    # 将PDF转换为图片(每页一个图片)
    images = convert_from_path(pdf_path, dpi=300)

    full_text = ""

    # 遍历每一页的图像
    for page_num, image in enumerate(images):
        print(f"Processing page {page_num + 1}...")

        # 使用Tesseract OCR识别图像中的文本
        text = pytesseract.image_to_string(image, lang='chi_tra')  # 你可以选择其他语言包,例如'chi_sim'(简体中文)

        # 将提取的文本加入到总文本中
        full_text += f"Page {page_num + 1}:\n"
        full_text += text + "\n\n"

    # 保存提取的文本到文件
    with open(output_txt_path, 'w', encoding='utf-8') as f:
        f.write(full_text)
    print(f"Text extraction complete. Text saved to {output_txt_path}")


# 处理多个PDF文件
def process_pdfs(input_folder, output_folder):
    # 获取所有PDF文件
    pdf_files = [f for f in os.listdir(input_folder) if f.lower().endswith('.pdf')]

    for pdf_file in pdf_files:
        pdf_path = os.path.join(input_folder, pdf_file)
        txt_filename = re.sub(r'\.pdf$', '.txt', pdf_file)
        txt_path = os.path.join(output_folder, txt_filename)

        pdf_to_text(pdf_path, txt_path)


if __name__ == "__main__":
    input_folder = 'pdf_files'  # PDF文件所在目录
    output_folder = 'txt_files'  # 提取文本的输出目录

    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    process_pdfs(input_folder, output_folder)

转换的结果会在"txt_files"里,这个文件夹会自动给你创建,在代码23行需要根据pdf的字体设置语言:eng(英文)、chi_sim(繁体)、chi_tra(简体中文)

参考文章

tesseract安装

poppler安装

相关推荐
TomEval2 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
prince_zxill2 小时前
PEP 751 pylock.toml 实测:pip 26.3 装 6 个包版本全钉死,但 [web] 选不中任何东西
python·pip·依赖管理·pep 751
Thanks_ks4 小时前
Python 的垃圾回收——引用计数撑起日常,分代回收收拾残局
python·内存管理·垃圾回收·循环引用·引用计数·gc 模块·weakref
CyrusYiVPP4 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
yiangL_4 小时前
Python 学习笔记:递归、turtle绘图、字符串与函数
笔记·python·学习
lula8886 小时前
PVC-U、PVC-C、PVC-O 差一个字母,差的是三种增强路线
python
数字工作台7 小时前
给 LangGraph 加一道可审计记忆:替换默认 Checkpointer,实现防篡改 + 崩溃不丢数据
python·agent
DKPT7 小时前
Python 的 Web 框架:选型选错的人,都踩了同一个坑
python
2401_868534788 小时前
逻辑网络设计
网络·python
2601_967979128 小时前
python如何组织文件?python文件操作全介绍!
python·文件操作·压缩文件·遍历文件夹·shutil模块