苏州建站之家人民政府网站
前言
文字型pdf提取，python的库一大堆，但是图片型pdf和pdf扫描件提取，还是有些难度的，我们需要用到OCR（光学字符识别）功能。
一、准备
1、安装OCR（光学字符识别）支持库
首先要安装pytesseract和Tesserac OCR，Tesseract OCR是一种广泛使用的OCR工具，它可以用于从图像中提取文字。Tesseract OCR具有较高的识别精度和速度，同时支持多种语言。在Python中，可以使用pytesseract库来调用Tesseract OCR。
（1）安装pytesseract库：
pip install pytesseract
（2）安装Tesseract OCR程序
下载安装
github下载地址：https://github.com/tesseract-ocr/tesseract
国内下载地址：https://digi.bib.uni-mannheim.de/tesseract/
如果要识别中文的话，要安装3.0以上的版本，我这里以国内下载地址为例，下载5.0版本，如图：
下载完成之后，双击打开，一路next即可，自己选择好安装位置，后面要配置环境变量的。
配置环境变量
我的安装位置如图：
找到系统变量的path，点击编辑，如图：
新建一个环境变量，变量的值是tesseract的安装位置，如图：
点击确定之后，在系统变量界面，点击新建，新建一个系统变量，名称为TESSDATA_PREFIX，值为安装目录下的tessdata目录位置，如图：
一路点击确定即可。
下载中文包
软件默认使用的是英文包，只能识别英文，我们现在下载配置中文包，下载地址：
github：https://github.com/tesseract-ocr/tessdata
gitcode（国内）：https://gitcode.com/mirrors/tesseract-ocr/tessdata/tree/main?utm_source=csdn_github_accelerator&isLogin=1
建议选择国内地址，下载速度比较快，我们下载五个包，分别是：eng.traineddata、chi_sim.traineddata、chi_sim_vert.traineddata、chi_tra.traineddata、chi_tra_vert.traineddata，如图：
第一个是英文包，后面四个是中文包，sim开头是简体，tra开头是繁体，点击进去，点击右侧的下载，将五个包下载下来，如图：
下载完成之后，复制到tesseract安装目录下的tessdata文件夹下，如图：
在命令行输入tesseract -v，显示tesseract的版本号，就表示安装完成了，如图：
现在安装工作就完成了。
测试图片识别
测试图片如下：
测试代码：
import pytesseract
from PIL import Image# （1）配置tesseract安装路径
pytesseract.pytesseract.tesseract_cmd = r'F:\tesseract\tesseract.exe'text = pytesseract.image_to_string(Image.open(r'1-26.jpg'))
print(text)
结果如下：
如果我们不想每次代码都去配置tesseract的安装路径的话，可以直接在源文件里面修改，我们找到如图的文件，将框出来的地方修改成安装路径即可：
（2）安装其他库
pip install PyMuPDF PIL
二、正式提取图片型pdf的文字
代码如下：
# -*- coding: UTF-8 -*-
"""
@Date :2023/12/17
"""
import fitz
import pytesseract
from PIL import Image
import io# （1）配置tesseract安装路径
pytesseract.pytesseract.tesseract_cmd = r'F:\tesseract\tesseract.exe'# （2）打开pdf文件
pdf_file = fitz.open(r'一户一宅.pdf')# （3）遍历pdf的每一页
for page_num in range(len(pdf_file)):# 获取页面page = pdf_file[page_num]# 提取页面上的图像image_list = page.get_images(full=True)for image_index, img in enumerate(image_list):# 提取图像xref = img[0]base_image = pdf_file.extract_image(xref)image_bytes = base_image["image"]# 将字节转换为PIL图像image = Image.open(io.BytesIO(image_bytes))# 使用pytesseract对图像进行ocrtext = pytesseract.image_to_string(image, lang='chi_sim')# 打印结果print(f"Page {page_num + 1}, Image {image_index + 1}:")print(text)# 关闭pdf文件
pdf_file.close()
结果如下：
总结
需要注意的是，Tesseract OCR对于一些复杂或低质量的图像可能识别效果不佳。
提示
对于文字型pdf的提取，可以看这几篇文章：
https://blog.csdn.net/weixin_43856625/article/details/134705266
https://www.jianshu.com/p/8fbb662bd6f7
https://blog.csdn.net/Achernar0208/article/details/129199937