Python办公18：PDF 转 Word——利用 OCR 技术批量提取不可编辑的文档内容

18：PDF 转 Word------利用 OCR 技术批量提取不可编辑的文档内容

第三阶段：PDF 与图片处理（16-22）

场景引入

收到一份扫描版 PDF 合同，里面的文字无法复制、无法搜索、无法编辑。需要将其转换为可编辑的 Word 文档。手动逐字输入太慢，用免费转换工具又有页数限制。

本节教你用 Python 批量将 PDF 转为 Word，特别是扫描件（图片格式）也能通过 OCR 提取文字。

技术原理

PDF 转 Word 分两种情况：

PDF 类型	特点	处理方式
文字型	文字可复制选择	直接提取文字
扫描型	实质是图片	需要 OCR 识别文字

OCR（光学字符识别）流程

复制代码

扫描 PDF → 每页转为图片 → Tesseract OCR 识别文字 → 写入 Word 文档

环境准备

方案 1：文字型 PDF（简单）

bash 复制代码

pip install pdfplumber python-docx

方案 2：扫描型 PDF（OCR）

bash 复制代码

pip install pytesseract pdf2image python-docx Pillow

还需要安装 Tesseract OCR 引擎：

下载：https://github.com/UB-Mannheim/tesseract/wiki
安装后设置环境变量，或在代码中指定路径

完整代码

方案 1：文字型 PDF 转 Word

python 复制代码

import pdfplumber
from docx import Document
from pathlib import Path

def pdf_to_word_text(input_pdf, output_docx):
    """
    将文字型 PDF 转换为 Word 文档

    参数:
        input_pdf: 源 PDF 文件
        output_docx: 输出 Word 文件
    """
    doc = Document()

    with pdfplumber.open(input_pdf) as pdf:
        total_pages = len(pdf.pages)
        print(f"共 {total_pages} 页，开始转换...")

        for i, page in enumerate(pdf.pages):
            # 提取文字
            text = page.extract_text()
            if text:
                doc.add_paragraph(text)

            # 添加分页符（除最后一页）
            if i < total_pages - 1:
                doc.add_page_break()

            print(f"已转换第 {i+1} 页")

    doc.save(output_docx)
    print(f"\n转换完成: {output_docx}")


# 提取表格
def pdf_tables_to_word(input_pdf, output_docx):
    """
    将 PDF 中的表格提取到 Word
    """
    doc = Document()

    with pdfplumber.open(input_pdf) as pdf:
        for i, page in enumerate(pdf.pages):
            tables = page.extract_tables()
            for table_idx, table in enumerate(tables):
                if table:
                    doc.add_heading(f"第 {i+1} 页 - 表格 {table_idx+1}", level=2)

                    # 创建 Word 表格
                    word_table = doc.add_table(rows=len(table), cols=len(table[0]))
                    for row_idx, row in enumerate(table):
                        for col_idx, cell in enumerate(row):
                            word_table.cell(row_idx, col_idx).text = str(cell or '')

    doc.save(output_docx)
    print(f"表格提取完成: {output_docx}")

方案 2：扫描型 PDF（OCR）转 Word

python 复制代码

import pytesseract
from pdf2image import convert_from_path
from docx import Document
import os

# Tesseract 路径（根据实际安装位置修改）
TESSERACT_PATH = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
pytesseract.pytesseract.tesseract_cmd = TESSERACT_PATH

def ocr_pdf_to_word(input_pdf, output_docx, lang='chi_sim+eng'):
    """
    使用 OCR 将扫描版 PDF 转为可编辑 Word

    参数:
        input_pdf: 扫描版 PDF
        output_docx: 输出 Word
        lang: OCR 语言，'chi_sim'=简体中文，'eng'=英文，可组合
    """
    doc = Document()

    # PDF 每页转为图片
    print("正在将 PDF 转为图片...")
    images = convert_from_path(input_pdf, dpi=300)
    print(f"共 {len(images)} 页")

    for i, image in enumerate(images):
        print(f"OCR 识别第 {i+1} 页...")

        # OCR 识别
        text = pytesseract.image_to_string(image, lang=lang)

        # 写入 Word
        doc.add_paragraph(text)

        if i < len(images) - 1:
            doc.add_page_break()

    doc.save(output_docx)
    print(f"\nOCR 转换完成: {output_docx}")

方案 3：批量转换文件夹中的所有 PDF

python 复制代码

def batch_pdf_to_word(folder_path, output_dir="Word文档", use_ocr=False):
    """
    批量转换文件夹中的所有 PDF
    """
    folder = Path(folder_path)
    output = Path(output_dir)
    output.mkdir(parents=True, exist_ok=True)

    for pdf_file in folder.glob('*.pdf'):
        word_file = output / f"{pdf_file.stem}.docx"

        if use_ocr:
            ocr_pdf_to_word(str(pdf_file), str(word_file))
        else:
            pdf_to_word_text(str(pdf_file), str(word_file))

    print(f"\n批量转换完成! 输出目录: {output_dir}/")

常见问题

Q1：OCR 识别率低？

提高 DPI ：convert_from_path(input_pdf, dpi=600) --- DPI 越高，识别越准确
图像预处理：转换为灰度、二值化后再识别
语言包：确保安装了正确的语言包

Q2：中文识别出来是乱码？

确保 Tesseract 安装了中文语言包：

下载 chi_sim.traineddata 放到 Tesseract-OCR\tessdata\ 目录
使用 lang='chi_sim' 参数

Q3：转换后格式丢失？

OCR 只能提取文字，无法保留原始格式（字体、图片、表格等）。如需保留格式，建议使用专业工具（如 Adobe Acrobat、WPS 会员版）。

总结

PDF 类型	方案	准确率	速度
文字型	`pdfplumber`	100%	快
扫描型	Tesseract OCR	85-95%	中等
含表格	`pdfplumber.extract_tables()`	高	快

本节掌握了 PDF 转 Word 的两种方法：文字型直接提取 + 扫描型 OCR 识别。

下一节预告：19：图片水印添加------一键为数千张员工工牌或产品图加盖 Logo！