pdf 不是扫描件，但却无法搜索关键词【问题尝试解决未果记录】

Lauren_Lu2025-05-14 2:05

一、不是扫描件但不能搜索的原因

1. 情况一：文字被转成了"图形文字"
  • 有些PDF文件虽然看起来像是文字，其实是图片或者矢量图格式，不能直接搜索。
2. 情况二：PDF被加密

  • 有些PDF设置了"内容复制/提取"权限受限，即使你能阅读，但不能搜索、复制或选择文字。

  • 这通常是加密的一种表现。

3. 情况三：PDF嵌入了字体，但不是真正的文本
  • 有时PDF作者用的特殊软件或字体，会让文字显示正常，但实际上是不可识别的字符

二、解决方法

1. 方法一：使用OCR软件将内容转为可搜索文字

即使不是扫描件，也可以用 OCR 工具强制识别为文字。

推荐工具：

  • Adobe Acrobat Pro（有"识别文本"功能）

  • ABBYY FineReader

  • PaddleOCR（开源免费，适合懂技术的人）

  • PDF-XChange Editor（轻量好用，有OCR功能）

2. 方法二：查看是否有加密限制，并尝试解除

步骤（用Adobe Acrobat Pro为例）：

  1. 打开PDF文件；

  2. 点击顶部菜单 文件(File) → 属性(Properties)；

  3. 在"安全(Security)"标签下查看权限；

    • 如果显示："不能复制内容"，"不能提取内容"等限制，说明有加密。

如何解密：

  • 若只是"权限密码"（不需要打开文件时输入密码），可以尝试以下方式解除：

    • 使用 Smallpdf、iLovePDF、PDFCandy 等在线解密工具；

    • 使用 Adobe Acrobat Pro：

      • 打开文件；

      • 使用"另存为"（Save As）时，取消安全设置；

      • 前提是你知道权限密码，或权限设置很弱。

3. 方法三：复制部分文本，看是否能粘贴成正常文字

  • 复制几行粘贴到记事本或Word里；

  • 如果出现乱码或空白，说明PDF内容不可选或被加密/格式特殊。

三、小测试：快速判断是否可选中内容

  • 鼠标拖动文件中的文字：

    • 如果能高亮，说明不是扫描图；

    • 如果不能，可能是扫描件或"图形文字"；

  • 如果能高亮但不能搜索，通常是权限限制或内容不是标准文字编码。

以上内容由 ai 生成，仅供记录与参考

四、笔者问题

菏泽统计年鉴2018.pdf 无法搜索关键字，而且也不是扫描图片 ，但根据PDF的底层信息，它可能采用了一种"图片+不可选文字"的方式嵌入内容 ，或者存在字体嵌入保护 或文本被转为图形对象的问题。

五、关键词无法搜索的常见原因：

  1. PDF中的文字被转换成图形或路径（即使看起来像文字，实际上是"画"出来的，不能搜索）。

  2. 字体嵌入或加密，阻止复制和搜索。

  3. 文字层被隐藏或丢失。

  4. 使用了不标准的编码方式或旧格式导出

**六、**解决方法建议

方法一：用Adobe Acrobat OCR识别（适合官方方式）

  1. 用 Adobe Acrobat 打开该 PDF。

  2. 菜单栏选择：工具 > 扫描和OCR > 识别文本。

  3. 识别后保存，这样文字就可以被搜索和复制了。

效果不好，只能识别后是空白，且文字识别错误率高

方法二：用免费的工具进行OCR识别
方法三：用Python批量处理（适合技术用户）[本文讲解重点]

如果你会用Python，可以用tesserocr或PyMuPDF结合OCR处理整个PDF文档

一）版本1

1. 功能说明

该 Python 脚本会：

1）用 PyMuPDF 将 PDF 每页渲染为图像；

2）用 pytesseract 识别图像中的中文文字；

3）用 pytesseract.image_to_pdf_or_hocr() 生成带文字层的 PDF；

4）合并成一个新的 可搜索 PDF 文件。

2. 环境依赖

1）打开 powershell

win+r 打开运行， 搜索powershell 打开 Windows PowerShell

开头有"PS"，就代表打开的是 powershell 没错

2）确保安装好以下 python库：pytesseract、pymupdf 和 pillow

在 powershell 中输入：

bash 复制代码 
 C:\Users\19025\AppData\Local\Programs\Python\Python313\python.exe -m pip install pytesseract pymupdf pillow

# C:\Users\19025\AppData\Local\Programs\Python\Python313\  替换为本地 python 环境的路径

(1) 为什么要用本地python环境？

因为还要安装Tesseract OCR 引擎本体，发现好像只能在本地环境运行才能链接Tesseract OCR

(2) 如何找到本地 python 环境路径？

在powershell中输入

bash 复制代码 
python --version

找到本地 python 版本

在任务栏里搜索 python，找到对应的 python 版本，笔者本地只安装了一个版本，所以不用找

打开文件位置后，这里出现的是快捷方式的路径

右击 python 3.13，点击 打开文件所在的位置

这里就是python主程序所在的路径了

复制路径，替换即可

3）安装 Tesseract OCR 引擎本体，并配置中文语言包

（1）安装 Tesseract：

Windows 下载地址：https://github.com/tesseract-ocr/tesseract/releases

点击 .exe，自动开始下载

下载完成后，点击安装包开始安装

安装时，取消勾选"Training Tools"，勾选"Additional language data(download)"，最好别修改安装路径

安装完成后，进入：

bash 复制代码 
C:\Program Files\Tesseract-OCR\tessdata

如果你能看到 chi_sim.traineddata 文件，就说明中文支持安装成功。

（2）添加系统环境变量

A. 复制 Tesseract 的安装路径

默认安装路径是：

bash 复制代码 
C:\Program Files\Tesseract-OCR

B. 添加到系统PATH中

Windows 11 / 10 操作：

a. 在"开始"菜单搜索 "环境变量"，点击"编辑系统环境变量"；

b. 在弹出窗口中点击右下角"环境变量(N)..."；

c. 在"系统变量"区域找到 Path，点击"编辑"；

d. 点击"新建"，粘贴路径：

bash 复制代码 
C:\Program Files\Tesseract-OCR

e. 点击"确定"保存所有窗口。

C. 验证是否配置成功

a. 打开 命令提示符（cmd），输入：

bash 复制代码 
tesseract -v

b. 如果输出版本信息，说明配置成功，例如：

bash 复制代码 
tesseract v5.5.0.20241111
 leptonica-1.85.0
...

3. python 脚本

bash 复制代码 
import fitz  # PyMuPDF
import pytesseract
from PIL import Image
import io


# 打开原始PDF
input_pdf_path = "D:/test/菏泽统计年鉴2018.pdf"
output_pdf_path = "D:/test/菏泽统计年鉴2018_OCR.pdf"
doc = fitz.open(input_pdf_path)

# 创建空的输出PDF
ocr_doc = fitz.open()

# 遍历每页进行OCR识别
for i, page in enumerate(doc):
    print(f"OCR 第 {i + 1} 页...")
    # 渲染页面为图片
    pix = page.get_pixmap(dpi=300)
    img = Image.open(io.BytesIO(pix.tobytes("png")))
    
    # 使用 Tesseract OCR 识别中文，并生成 PDF 格式
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')
    ocr_page = fitz.open("pdf", pdf_bytes)
    
    # 插入到新PDF中
    ocr_doc.insert_pdf(ocr_page)

# 保存新PDF
ocr_doc.save(output_pdf_path)
ocr_doc.close()
print(f"✅ OCR 处理完成，输出文件：{output_pdf_path}")

存在问题：现在搜索只能搜到单个字 ，搜索多个字的词组（如"进口额"）搜不到

这是因为：Tesseract 生成的 OCR PDF 中文本层之间的汉字是分开的，每个字之间实际上被插入了不可见字符（如空格、换行、透明块）。

二）版本2

扫描版统计年鉴 PDF，通过 OCR 转为可搜索文本，然后批量搜索关键词（支持词组），并输出在哪一页找到了

  1. 功能说明

  • 使用 PyMuPDF 打开 PDF；

  • 每页图片化，用 Tesseract OCR 识别中文；

  • 提取 OCR 文本并清洗；

  • 搜索关键词（支持词组和模糊匹配）；

  • 输出匹配结果和所在页码。

  1. 脚本代码
bash 复制代码 
import fitz  # PyMuPDF
import pytesseract
from PIL import Image
import io
import re

# ====== 设置路径 ======
input_pdf_path = "D:/test/菏泽统计年鉴2018.pdf"
output_pdf_path = "D:/test/菏泽统计年鉴2018_OCR1.pdf"
keyword_file = "D:/test/keywords.txt"  # 每行一个关键词

# ====== 加载关键词 ======
with open(keyword_file, "r", encoding="utf-8") as f:
    keywords = [line.strip() for line in f if line.strip()]

# ====== 打开原始 PDF ======
doc = fitz.open(input_pdf_path)
ocr_doc = fitz.open()

# ====== OCR 识别每一页并生成新 PDF ======
print("[*] 开始 OCR 处理...")
for i, page in enumerate(doc):
    print(f" - 正在识别第 {i+1} 页...")
    pix = page.get_pixmap(dpi=300)
    img = Image.open(io.BytesIO(pix.tobytes("png")))
    
    # OCR 识别中文，输出 PDF 页
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')
    ocr_page = fitz.open("pdf", pdf_bytes)
    ocr_doc.insert_pdf(ocr_page)

# 保存 OCR 后的 PDF
ocr_doc.save(output_pdf_path)
ocr_doc.close()
doc.close()
print(f"[✓] OCR 完成，已保存到：{output_pdf_path}")

# ====== 提取文本并搜索关键词 ======
print("\n[*] 正在搜索关键词...\n")
ocr_doc = fitz.open(output_pdf_path)

# 记录匹配结果
results = []

for page_num, page in enumerate(ocr_doc, start=1):
    text = page.get_text()
    clean_text = re.sub(r"\s+", "", text)  # 清洗不可见字符

    for kw in keywords:
        if kw in clean_text:
            results.append((kw, page_num, "精确"))
        else:
            pattern = ".*".join(list(kw))  # 模糊匹配：每个字之间允许有干扰
            if re.search(pattern, clean_text):
                results.append((kw, page_num, "模糊"))

ocr_doc.close()

# ====== 输出结果 ======
if results:
    for kw, page_num, match_type in results:
        print(f"[{match_type}] 第 {page_num} 页 找到：{kw}")
else:
    print("未找到任何关键词。")

3. keywords.txt 示例

放在 D:/test/keywords.txt，每行一个关键词：

bash 复制代码 
地区生产总值
固定资产投资总额
总人口
第一产业增加值
第二产业增加值
第三产业增加值
地方财政收入
进口额
出口额
全年水资源总量
人均粮食产量
粮食产量
能源消费总量
人均用水量
森林覆盖率
耕地面积
二氧化硫年均浓度
细颗粒物年均浓度
化肥施用量
人口密度
空气质量综合指数

附上查找结果：查找.txt

bash 复制代码 
[精确] 第 7 页 找到：地区生产总值
[精确] 第 7 页 找到：总人口
[模糊] 第 11 页 找到：地区生产总值
[模糊] 第 11 页 找到：总人口
[模糊] 第 11 页 找到：第一产业增加值
[模糊] 第 11 页 找到：第二产业增加值
[模糊] 第 11 页 找到：第三产业增加值
[精确] 第 11 页 找到：地方财政收入
[模糊] 第 12 页 找到：地区生产总值
[模糊] 第 12 页 找到：总人口
[模糊] 第 12 页 找到：进口额
[模糊] 第 12 页 找到：出口额
[模糊] 第 13 页 找到：总人口
[模糊] 第 13 页 找到：进口额
[精确] 第 14 页 找到：地区生产总值
[模糊] 第 14 页 找到：固定资产投资总额
[模糊] 第 14 页 找到：总人口
[模糊] 第 14 页 找到：第一产业增加值
[模糊] 第 14 页 找到：进口额
[模糊] 第 14 页 找到：出口额
[模糊] 第 17 页 找到：总人口
[模糊] 第 17 页 找到：人均用水量
[模糊] 第 18 页 找到：全年水资源总量
[模糊] 第 18 页 找到：能源消费总量
[精确] 第 21 页 找到：地区生产总值
[精确] 第 21 页 找到：第一产业增加值
[精确] 第 21 页 找到：第二产业增加值
[精确] 第 21 页 找到：第三产业增加值
[模糊] 第 21 页 找到：粮食产量
[精确] 第 22 页 找到：地区生产总值
[模糊] 第 23 页 找到：固定资产投资总额
[模糊] 第 23 页 找到：地方财政收入
[模糊] 第 23 页 找到：进口额
[模糊] 第 23 页 找到：出口额
[模糊] 第 24 页 找到：总人口
[模糊] 第 24 页 找到：进口额
[模糊] 第 24 页 找到：出口额
[模糊] 第 24 页 找到：二氧化硫年均浓度
[模糊] 第 24 页 找到：细颗粒物年均浓度
[精确] 第 29 页 找到：地区生产总值
[精确] 第 29 页 找到：总人口
[精确] 第 29 页 找到：第一产业增加值
[精确] 第 29 页 找到：第二产业增加值
[精确] 第 29 页 找到：第三产业增加值
[模糊] 第 29 页 找到：耕地面积
[精确] 第 29 页 找到：人口密度
[模糊] 第 31 页 找到：固定资产投资总额
[模糊] 第 32 页 找到：总人口
[精确] 第 33 页 找到：地区生产总值
[精确] 第 33 页 找到：第一产业增加值
[精确] 第 33 页 找到：第二产业增加值
[精确] 第 33 页 找到：第三产业增加值
[精确] 第 34 页 找到：地区生产总值
[精确] 第 37 页 找到：总人口
[精确] 第 38 页 找到：化肥施用量
[精确] 第 40 页 找到：耕地面积
[精确] 第 41 页 找到：耕地面积
[模糊] 第 52 页 找到：粮食产量
[模糊] 第 280 页 找到：总人口
[模糊] 第 286 页 找到：总人口
[精确] 第 445 页 找到：进口额
[精确] 第 445 页 找到：出口额
[精确] 第 533 页 找到：地区生产总值
[模糊] 第 533 页 找到：总人口
[模糊] 第 533 页 找到：第一产业增加值
[模糊] 第 533 页 找到：第二产业增加值
[模糊] 第 533 页 找到：第三产业增加值
[精确] 第 534 页 找到：地区生产总值
[模糊] 第 534 页 找到：第一产业增加值
[模糊] 第 534 页 找到：第二产业增加值
[模糊] 第 534 页 找到：第三产业增加值
[模糊] 第 535 页 找到：地方财政收入
[模糊] 第 536 页 找到：总人口
[模糊] 第 537 页 找到：粮食产量
[模糊] 第 538 页 找到：粮食产量
[模糊] 第 540 页 找到：总人口
[模糊] 第 541 页 找到：总人口
[模糊] 第 544 页 找到：地区生产总值
[精确] 第 544 页 找到：总人口
[模糊] 第 544 页 找到：第一产业增加值
[模糊] 第 544 页 找到：第二产业增加值
[精确] 第 544 页 找到：粮食产量
[精确] 第 544 页 找到：人口密度
[模糊] 第 545 页 找到：地区生产总值
[模糊] 第 545 页 找到：第二产业增加值
[模糊] 第 545 页 找到：第三产业增加值
[模糊] 第 551 页 找到：地区生产总值
[精确] 第 551 页 找到：总人口
[精确] 第 551 页 找到：第一产业增加值
[精确] 第 551 页 找到：第二产业增加值
[精确] 第 551 页 找到：第三产业增加值
[模糊] 第 553 页 找到：固定资产投资总额
[精确] 第 553 页 找到：粮食产量
[模糊] 第 553 页 找到：能源消费总量
[模糊] 第 554 页 找到：全年水资源总量
[精确] 第 554 页 找到：粮食产量
[模糊] 第 554 页 找到：耕地面积
[模糊] 第 556 页 找到：固定资产投资总额
[模糊] 第 556 页 找到：总人口
[模糊] 第 557 页 找到：总人口
[精确] 第 557 页 找到：进口额
[精确] 第 557 页 找到：出口额
[模糊] 第 558 页 找到：总人口
[模糊] 第 559 页 找到：总人口
[模糊] 第 559 页 找到：出口额
[模糊] 第 561 页 找到：总人口
[模糊] 第 561 页 找到：出口额
[模糊] 第 562 页 找到：总人口
[精确] 第 562 页 找到：全年水资源总量
[精确] 第 562 页 找到：人均用水量
[模糊] 第 563 页 找到：地区生产总值
[模糊] 第 563 页 找到：总人口
[精确] 第 563 页 找到：能源消费总量
[模糊] 第 563 页 找到：细颗粒物年均浓度
[模糊] 第 564 页 找到：总人口
[模糊] 第 564 页 找到：地方财政收入
[模糊] 第 564 页 找到：能源消费总量
[模糊] 第 565 页 找到：总人口
[模糊] 第 566 页 找到：地区生产总值
[模糊] 第 566 页 找到：总人口
[模糊] 第 566 页 找到：地方财政收入
[模糊] 第 566 页 找到：全年水资源总量
[模糊] 第 566 页 找到：人均用水量
[模糊] 第 567 页 找到：地区生产总值
[精确] 第 568 页 找到：总人口
[精确] 第 568 页 找到：第一产业增加值
[精确] 第 568 页 找到：第二产业增加值
[精确] 第 568 页 找到：第三产业增加值
[模糊] 第 569 页 找到：总人口
[模糊] 第 569 页 找到：粮食产量
[模糊] 第 570 页 找到：地区生产总值
[模糊] 第 570 页 找到：第一产业增加值
[精确] 第 570 页 找到：粮食产量
[精确] 第 570 页 找到：森林覆盖率
[精确] 第 571 页 找到：地区生产总值
[模糊] 第 571 页 找到：固定资产投资总额
[模糊] 第 571 页 找到：总人口
[模糊] 第 571 页 找到：进口额
[模糊] 第 572 页 找到：进口额
[模糊] 第 572 页 找到：出口额
[模糊] 第 574 页 找到：森林覆盖率
[精确] 第 575 页 找到：地区生产总值
  1. 总结：没满足直接在 .pdf 中搜索词组的需求
相关推荐
Python猫17 小时前
付费专栏·Python潮流周刊电子书合集（epub、pdf、markdown）下载
python·计算机·pdf·电子书·资料
JackieZhengChina18 小时前
用python清除PDF文件中的水印（Adobe Acrobat 无法删除）
pdf
geovindu1 天前
vue3: pdf.js 3.4.120 using javascript
开发语言·javascript·vue.js·pdf
TextIn智能文档云平台1 天前
PDF文档解析新突破：图表识别、公式还原、手写字体处理，让AI真正读懂复杂文档！
图像处理·人工智能·算法·自然语言处理·pdf·ocr
old_power1 天前
【Python】PDF文件处理（PyPDF2、borb、fitz）
python·pdf
belldeep2 天前
vite：npm 安装 pdfjs-dist , PDF.js View 预览功能示例
javascript·pdf·pdfjs-dist·pdf.worker
dtzly2 天前
若依定制pdf生成实战
pdf
令狐少侠20112 天前
ai之pdf解析rapidOCR 的两种底层依赖PaddlePaddle 和ONNXRuntime
人工智能·ai·pdf
Kisorge2 天前
【PDF】使用Adobe Acrobat dc添加水印和加密
pdf
热门推荐
01YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】02从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑03KGG转MP3工具|非KGM文件|解密音频04组基轨迹建模 GBTM的介绍与实现（Stata 或 R）05【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！06Coze扣子平台完整体验和实践（附国内和国际版对比）07YOLOv5改进 | 添加CA注意力机制 + 增加预测层 + 更换损失函数之GIoU08yolov8，yolo11，yolo12 服务器训练到部署全流程 笔记09DeepSeek各版本说明与优缺点分析10【解决】Android Gradle Sync 报错 Could not read workspace metadata