### 不使用 `pdf2image` 的 Python 方法实现 PDF 文件识别及批量重命名 如果不使用 `pdf2image`，可以借助其他工具库完成类似的 PDF 处理任务。以下是基于 `PyMuPDF`（也称为 `fitz`）、`pdfplumber` 和 OCR 工具（如 Tesseract 或 PaddleOCR）的解决方案[^3]。 #### 1. **安装所需依赖** 以下为实现过程中需要用到的主要库及其安装方式： - PyMuPDF (`fitz`)：用于读取和解析 PDF 文件。 - pdfplumber：辅助提取特定区域的内容。 - pytesseract 或 paddleocr：用于文字识别。 ```bash pip install pymupdf pdfplumber pillow pytesseract # 对于 PaddleOCR，请执行以下命令： # pip install paddlepaddle paddleocr ``` #### 2. **代码实现** ##### （1）将 PDF 转换为图像并提取指定区域 利用 `PyMuPDF` 提供的功能加载 PDF 并逐页转换为 PIL 图像对象[^4]。 ```python import fitz # PyMuPDF from PIL import Image def pdf_to_pil_images(pdf_path): """ 将 PDF 文件转换为 PIL.Image 对象列表。 :param pdf_path: 输入的 PDF 文件路径。 :return: 包含各页面对应 PIL.Image 对象的列表。 """ doc = fitz.open(pdf_path) pil_images = [] for page_num in range(len(doc)): page = doc.load_page(page_num) pix = page.get_pixmap() img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples) pil_images.append(img) return pil_images ``` ##### （2）提取固定位置的文字 通过 `pdfplumber` 定位到目标区域，并从中抽取文本数据[^5]。 ```python import pdfplumber def extract_text_from_region(pdf_path, page_number, region): """ 从 PDF 中提取指定区域内的文字。 :param pdf_path: PDF 文件路径。 :param page_number: 页面索引号 (从零开始计数)。 :param region: 字典形式描述的矩形框 {left, bottom, right, top}。 :return: 提取出的字符串内容。 """ with pdfplumber.open(pdf_path) as pdf: page = pdf.pages[page_number] cropped_area = page.within_bbox((region['left'], region['bottom'], region['right'], region['top'])) text = cropped_area.extract_text() return text.strip() if text else "" ``` ##### （3）应用 OCR 技术获取难以直接提取的信息 当某些字段无法简单地被 `extract_text()` 函数捕捉时，则需引入光学字符识别技术来增强准确性[^6]。 对于 Tesseract 用户来说: ```python import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' def ocr_on_image(image): """ 使用 Tesseract 进行 OCR 操作。 :param image: PIL.Image 类型的对象。 :return: 经过 OCR 后返回的结果串。 """ result = pytesseract.image_to_string(image) return result.strip() ``` 或者采用百度开源框架——PaddleOCR 来代替传统 Tesseract 方案: ```python from paddleocr import PaddleOCR ocr_model = PaddleOCR(use_angle_cls=True, lang='en') def paddle_ocr_on_image(image): """ 基于 PaddleOCR 执行 OCR 流程。 :param image: PIL.Image 格式的图片实例。 :return: 列表结构的数据集合，其中每一项代表一个检测出来的单词/短语连同其置信度评分。 """ results = ocr_model.ocr(np.array(image)) extracted_texts = [''.join([line[-1][0] for line in res]) for res in results] return ''.join(extracted_texts).strip() ``` ##### （4）综合流程设计 最后一步就是把这些组件串联起来形成完整的业务逻辑链条，即先定位感兴趣的部分再决定采取何种手段去解读它；之后依据所得信息动态调整输出文件名称模式即可满足需求[^7]。 ```python import os def process_and_rename_pdfs(input_folder, output_folder, regions_per_page=None): """ 遍历给定目录下所有 PDF 文件，按规则处理后另存新名至另一处。 :param input_folder: 待加工原始资料存放地址。 :param output_folder: 加工成果预期放置地点。 :param regions_per_page: 若干个字典型变量组成的序列，各自标明一页之内欲抓取的具体范围坐标组。 """ if not os.path.exists(output_folder): os.mkdir(output_folder) for filename in os.listdir(input_folder): if filename.endswith(".pdf"): filepath = os.path.join(input_folder, filename) base_name = os.path.splitext(filename)[0] try: texts = [] images = pdf_to_pil_images(filepath) if callable(regions_per_page): pages_regions = regions_per_page(len(images)) # 动态生成每页对应的切割区划 elif isinstance(regions_per_page, list): assert len(regions_per_page) >= len(images), \ "Provided regions must cover all pages or be dynamically generatable." pages_regions = iter(regions_per_page[:len(images)]) else: raise ValueError("`regions_per_page` should either define static mappings " "or provide generator function.") for idx, img in enumerate(images): reg = next(pages_regions, {}) txt = "" if not reg else extract_text_from_region( filepath, idx, {"left":reg["x0"], "bottom":reg["y0"], "right":reg["x1"],"top":reg["y1"]}) if not txt and img is not None: txt = paddle_ocr_on_image(img) # Fallback mechanism using advanced OCR. texts.append(txt.replace("/", "-").replace("\\", "_")) final_name = f'{base_name}_{".".join(texts)}.pdf' target_fp = os.path.join(output_folder, final_name) shutil.copyfile(filepath, target_fp) except Exception as e: print(f"Error processing '{filename}': {e}") ``` --- ### 注意事项 - 此脚本假定了存在一种映射关系能够指导我们针对不同类型的文档分别制定合适的截取策略。如果没有预设好的模板可供参照的话可能就需要额外开发一套机器学习分类器帮助判断当前样本属于哪一类进而选取匹配算法加以运用了。 - 在实际项目落地阶段还应考虑诸如并发控制、进度跟踪以及日志记录等功能模块加入进来使得整个系统更加健壮可靠易于维护扩展升级等等因素影响用户体验满意度等方面做出相应改进优化措施才行啊！