Python结合OCR实现从扫描件PDF中提取文本

目录

• 一、核心原理
• 二、所需工具
• 二、PDF文字识别提取步骤
• 步骤1：导入核心模块
• 步骤2：初始化 OCR 引擎（关键配置）
• 步骤3：加载 PDF 并转换为图像
• 步骤4：OCR识别图像并保存文本
• 四、常见问题&解决方案

扫描件 PDF 本质是 “图像集合php”（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：

# 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：Python利用Spire.OCR for Python实现从图片中提取文本和坐标

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：

# 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。

# 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）：

# 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）：

        # 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：

1.图像文件：如Pdf图片_1.png、Pdf图片_2.androidpng，对应PDF的每一页；

2.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

到此这篇android关于Python结合OCR实现从扫描件PDF中提取文本的文章就介绍到这了,更多相关Python提取PDF扫描件文本内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览js下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)！