当前位置：首页 > article >正文

pdf转换文本：基于python的tesseract

article 2024/12/25 7:36:41

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

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”

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）