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
Wellijohn6 小时前
我把公司内部的 12 个 CRUD 接口交给了 AI Agent,然后省出了两周
人工智能·python·mcp
2601_967980117 小时前
python pytest怎样测试代码
python·pytest·测试·文档·断言
伞伞悦读7 小时前
【第92期】逻辑回归的分数概率与阈值的实验与排查
人工智能·python·深度学习·机器学习
ch6238 小时前
🚀 从零构建本地文档智能审查 Agent:Vibe Coding 实战指南
python
摇滚侠8 小时前
《On Java 中文版 基础卷》阅读笔记 接口 18
java·笔记·python
Thanks_ks9 小时前
AI Agent 开发入门:用 Function Calling 让大模型学会 “动手干活”,附订单查询机器人实战
python·ai·大模型·openai·agent·通义千问·mcp
专注仿真9 小时前
智能体训练之模仿学习:GAIL 算法详解与实战
python·算法·仿真·多智能体强化学习·afsim智能体训练
databook10 小时前
处理一批 PDF,怎么算真的处理完了
后端·python
承渊政道12 小时前
【Python编程快速上手—让繁琐工作自动化】(列表:把数据排成队,从下标取值到深拷贝)
开发语言·python·pycharm·自动化·列表
大胖爱学习_MJ12 小时前
Agent 如何安全地拿数据库密码?基于 HashiCorp Vault 的动态凭证下发
经验分享·python