### 使用Python实现PDF扫描件OCR文本识别 #### 方法概述 为了实现对PDF扫描件的OCR文本识别，可以采用多种方法和工具。以下是几种常见的解决方案及其对应的代码示例。 --- #### 方案一：使用 `PyMuPDF` 和 `PaddleOCR` 此方案通过将PDF转换为图像，再利用 `PaddleOCR` 提供的强大OCR功能完成文本识别。 ##### 实现代码 ```python import fitz # PyMuPDF from paddleocr import PaddleOCR, draw_ocr # 初始化PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang="ch") def pdf_to_images(pdf_path): """将PDF文件转换为图像""" doc = fitz.open(pdf_path) image_paths = [] for page_num in range(len(doc)): page = doc.load_page(page_num) pix = page.get_pixmap() image_path = f"page_{page_num}.png" pix.save(image_path) image_paths.append(image_path) return image_paths def ocr_on_images(image_paths): """对图像进行OCR识别""" all_results = {} for idx, img_path in enumerate(image_paths): result = ocr.ocr(img_path, cls=True) text = "\n".join([line[1][0] for line in result]) all_results[f"Page_{idx+1}"] = text return all_results if __name__ == "__main__": pdf_file = "example.pdf" images = pdf_to_images(pdf_file) # 将PDF转为图像 results = ocr_on_images(images) # 对每页图像执行OCR # 输出结果到控制台 for page, text in results.items(): print(f"{page}: {text}") # 删除临时生成的图像文件 for img in images: os.remove(img) ``` **说明**: 该代码首先使用 `fitz` (即 PyMuPDF) 将PDF文件逐页转换为图像[^3]，随后调用 `PaddleOCR` 完成OCR操作并返回识别后的文本[^4]。 --- #### 方案二：使用 `spire.ocr` 库 如果需要支持更多语言（如英文、法语等），可以选择 `spire.ocr` 来处理PDF中的文字识别。 ##### 实现代码 ```python from spire.ocr import * # 初始化OcrScanner对象 scanner = OcrScanner() # 配置OCR设置 configureOptions = ConfigureOptions() configureOptions.ModelPath = r"D:\OCR\win-x64" # 替换为实际模型路径 configureOptions.Language = 'Chinese' scanner.ConfigureDependencies(configureOptions) # 扫描PDF文档 pdf_result = scanner.ScanPdfAsText("test.pdf") # 输入PDF文件名 # 输出识别结果 print(pdf_result.Text) ``` **说明**: 这段代码展示了如何配置 `spire.ocr` 并对其输入的PDF文件进行全文本识别[^2]。需要注意的是，`ModelPath` 参数应指向本地安装的OCR模型文件夹。 --- #### 方案三：结合 `poppler-utils` 和 `Tesseract OCR` 对于更轻量级的应用场景，可以通过命令行工具 `pdftoppm` （来自 `poppler-utils` 工具包）将PDF转换为图像，之后借助 `pytesseract` 调用 Tesseract OCR 引擎完成识别。 ##### 实现代码 ```bash # 命令行部分：将PDF转换为PNG图像 pdftoppm -r 300 -png input.pdf output_prefix ``` ```python from PIL import Image import pytesseract # 设置Tesseract可执行文件路径 pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" # 加载图像并运行OCR image = Image.open("output_prefix-001.png") text = pytesseract.image_to_string(image, lang='chi_sim') print(text) ``` **说明**: 此处先通过外部工具 `pdftoppm` 把PDF拆解成单张图片[^1]，接着由 `pytesseract` 负责解析其中的内容。注意需提前下载并配置好 Tesseract OCR 环境。 --- ### 总结 以上三种方式各有优劣，在具体项目选型时可根据需求权衡性能、易用性和成本等因素决定最适合的技术栈。