如何使用 OCR 提取扫描件 PDF 的文本（Python 实现）

从 PDF 中提取文本一直是很多人的需求。市面上的工具虽然能处理大部分数字 PDF，但遇到扫描件 PDF 时往往无能为力，想要直接复制或获取其中的文字并不容易。其实这个问题并不是没有解法 ------ 本文将带你了解如何借助 Python + OCR 技术，从扫描 PDF 中提取可编辑文本。

为什么提取扫描件 PDF 需要用到 OCR 技术

在探讨如何从扫描件 PDF 中提取文本之前，我们先来了解一下 OCR 技术及其重要性。

OCR（Optical Character Recognition，光学字符识别），是一种将图像或视频中的文字内容转化为可编辑文本的技术。它不仅能识别字符，还能保留一定的排版信息，因此被广泛应用在文档数字化、档案管理以及数据提取等场景中。

为什么提取扫描件 PDF 的文本离不开 OCR？原因在于 PDF 文件主要分为两类：

标准 PDF（数字 PDF）：文档中的文字是以字符形式存储的，可以直接复制、搜索和提取。
扫描件 PDF：内容本质上是图片，不包含可识别的文本信息，传统的提取方法无法处理。

因此，当面对扫描件 PDF 时，OCR 技术就显得尤为必要，它能帮助我们将图片中的文字识别出来，转换为真正可操作的文本。

安装必要的 Python 库

在了解了基础知识之后，我们进入到工具准备环节。本文将主要使用两款库：Spire.PDF for Python 和 Spire.OCR for Python。有了它们，处理扫描件 PDF 并提取文本会变得高效而简单。

Spire.PDF：负责将扫描件 PDF 转换为适合 OCR 处理的图片。
Spire.OCR：对这些图片进行文字识别，并输出可编辑的文本内容。

它们的安装方式十分便捷，只需在命令行中运行以下命令：

sh 复制代码

pip install spire.pdf
pip install spire.ocr

除了使用 pip 安装外，你也可以前往 E-iceblue 官网下载相应的安装包并手动安装。

通过 Python 将 PDF 转换为图像

正如前面提到的，OCR 无法直接处理 PDF 文件，尤其是扫描件 PDF。因此，第一步我们需要先将其转换为图片。借助 Spire.PDF，这个过程十分简便：只需加载 PDF 文档，遍历页面，然后调用 PdfDocument.SaveAsImage() 方法，就能将每一页保存为图像文件。

在保存时，你还可以根据需求选择 PNG、JPG 或 BMP 等常见格式。下面的示例代码演示了如何使用 Python 将扫描件 PDF 转换为 PNG 图片：

python 复制代码

from spire.pdf import *

# 加载 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("E:/Administrator/Python1/input/AI绘画的利与弊.pdf")

# 遍历 PDF 页面
for i in range(pdf.Pages.Count):
    # 将每一页转换为图像
    with pdf.SaveAsImage(i) as image:
        
        # 保存图像
        image.Save(f"E:/Administrator/Python1/output/pdftoimage/ToImage_{i}.png")
        # image.Save(f"Output/ToImage_{i}.jpg")
        # image.Save(f"Output/ToImage_{i}.bmp")

pdf.Close()

OCR 识别并提取扫描件 PDF 中的文本

完成 PDF 转图片的步骤后，我们就可以进入核心环节------使用 OCR 扫描图片并提取文字。借助 OcrScanner.Scan() 方法，这个过程非常简单。它不仅能够从图片中获取文本，还支持包括中文、英文、法语在内的多种语言识别，可以做到"一字不落"。

下面的示例演示了如何在 Python 中调用 OCR，对前一步生成的 PDF 图片进行文字识别，并将结果保存为 .txt 文档：

python 复制代码

from spire.ocr import *

# 创建 OCR 扫描器实例
scanner = OcrScanner()

# 配置 OCR 模型路径和语言
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r'E:/DownloadsNew/win-x64/'
configureOptions.Language = 'Chinese'
scanner.ConfigureDependencies(configureOptions)

# 使用 OCR 扫描图片
scanner.Scan(r'E:/Administrator/Python1/output/pdftoimage/ToImage_0.png')

# 将提取的文本保存为文本文件
text = scanner.Text.ToString()
with open('E:/Administrator/Python1/output/扫描件PDF文本提取.txt', 'a', encoding='utf-8') as file:
    file.write(text + '\n')

结论

通过本文的示例，我们完成了从扫描件 PDF 转换为图片，再利用 OCR 技术识别并提取文本的全过程。借助 Spire.PDF for Python 和 Spire.OCR for Python，这一流程不仅简单高效，而且对多语言的支持也非常友好。如果你也在寻找快速处理扫描件 PDF 的方法，不妨尝试一下这两个库。