Python 快速提取扫描件 PDF 中的文本：OCR 实操教程

扫描件 PDF 本质是 "图像集合"（每一页都是一张图片），无法直接复制或编辑文本。要提取其中的内容，需借助OCR（光学字符识别）技术。本文将介绍如何通过 Python 结合 OCR 技术实现从扫描件 PDF 中提取文本，涵盖环境搭建及示例代码。

一、核心原理

提取 PDF 扫描件的文本的流程可拆解为 3 步：

PDF 转图像：将扫描件 PDF 的每一页拆分为独立图像（如 PNG/JPG）；
OCR 识别：用 OCR 工具分析图像，将其中的文字转换为可编辑文本；
结果保存：将识别后的文本汇总到文件中（如 TXT）。

二、所需工具

要完成OCR PDF 的任务，需安装以下两个核心库，分工明确：

Spire.PDF for Python：将 PDF 页面转换为图像（轻量、兼容性好）
Spire.OCR for Python：对转换后的图像执行OCR文本识别（支持多语言）

安装命令：

打开终端/命令提示符，输入以下pip命令，依次安装两个库：

bash 复制代码

# 安装PDF转图像库
pip install Spire.PDF
# 安装OCR识别库
pip install Spire.OCR

背景知识 ：Spire.OCR的用法之前已经详细讲解过，可参考前文：
Python 从图片中提取文本及坐标

二、PDF文字识别提取步骤

下面我们以 "提取扫描（图片型）PDF 中的中文文本" 为例，步骤如下。

步骤1：导入核心模块

首先导入两个库的核心类，后续所有操作都基于这些模块：

python 复制代码

# 导入Spire.PDF的核心类（用于PDF加载和转图像）
from spire.pdf import *
# 导入Spire.OCR的核心类（用于OCR引擎初始化和文本识别）
from spire.ocr import *

步骤2：初始化 OCR 引擎（关键配置）

OCR识别的准确率，很大程度取决于引擎的配置---尤其是模型路径 和识别语言，这两步错了会直接导致识别失败。

python 复制代码

# 初始化 OcrScanner
ocr_scanner = OcrScanner()

# 配置 OCR 依赖
config = ConfigureOptions()
# 设置OCR模型路径 （模型需提前下载，链接在另一篇文章）
config.ModelPath = "F:\\OCR Model\\win-x64"
# 设置识别语言（支持多语言，如"Chinese""Japanese""French"）
config.Language = "Chinese"

# 将配置应用到 OCR 引擎
ocr_scanner.ConfigureDependencies(config)

步骤3：加载 PDF 并转换为图像

扫描PDF的本质是"一页页的图像"，所以需要先把PDF的每一页拆成独立图像（建议用PNG格式，无损压缩不影响识别）：

python 复制代码

# 加载目标 PDF 文件
pdf_doc = PdfDocument()
pdf_doc.LoadFromFile("示例.pdf")  # 替换为你的PDF实际路径

# 循环遍历PDF的每一页，转换为图像并保存
for page_index in range(pdf_doc.Pages.Count):
    with pdf_doc.SaveAsImage(page_index) as page_image:
        page_image.Save(f"Pdf图片_{page_index}.png")  # 保存为PNG格式，文件名按页码命名
                # 扫描图像
        ocr_scanner.Scan(f"Pdf图片_{page_index}.png")

步骤4：OCR识别图像并保存文本

最后一步，对每个图像执行OCR识别，再将结果汇总到文本文件中（支持追加写入，避免覆盖）：

python 复制代码

        # 从图像中提取文本
        scan_result = ocr_scanner.Text.ToString()
        
        # 将提取的文本追加写入文件
        with open("PDF文本.txt", 'a', encoding='utf-8') as file:
            file.write(scan_result + '\n')

输出结果：

运行代码后，你会得到两个类型的文件：

图像文件 ：如Pdf图片_1.png、Pdf图片_2.png，对应PDF的每一页；
文本文件 ：PDF文本.txt，里面包含每一页的识别文本，示例如下：

四、常见问题&解决方案

常见问题	可能原因	解决方案
OCR识别结果乱码/错字多	1. 图像分辨率低、模糊；2. 语言设置错误；3. 对比度低	1. 确保PDF扫描分辨率≥300DPI；2. 核对Language参数（如中文设为"Chinese"）；3. 用图像工具提升对比度
OCR引擎初始化失败	1. 模型路径错误；2. 模型文件缺失	1. 用绝对路径+原始字符串r""；2. 重新下载完整模型包
PDF加载失败	1. 文件路径错误；2. PDF文件损坏；3. 无读取权限	1. 检查路径是否有空格/特殊字符；2. 用Adobe打开验证文件完整性；3. 赋予文件"读取"权限