PDF文档里的图片提取转文字

最近需要处理一堆PDF文档，这堆PDF文档中有图片，并且需要提取出pdf中的图片来识别图片中的文字，老规矩先上代码：

import os
import fitz
import pytesseract
from PIL import Image

# 设置Tesseract OCR引擎的路径（根据你的系统环境修改）  
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'  
  
# 定义函数ocr_first_page_of_pdf，用于对PDF的第一页进行OCR识别  
def ocr_first_page_of_pdf(pdf_path, output_image_path, zoom):  
    try:  
        # 尝试打开PDF文件  
        doc = fitz.open(pdf_path)  
        # 加载PDF的第一页  
        page = doc.load_page(0)  
        # 创建一个缩放矩阵，用于缩放页面大小  
        matrix = fitz.Matrix(zoom, zoom)  
        # 根据缩放矩阵获取页面的像素映射（图像）  
        pix = page.get_pixmap(matrix=matrix)  
        # 将像素映射保存为PNG图片文件  
        pix.save(output_image_path)  
        # 使用PIL库打开PNG图片文件  
        image = Image.open(output_image_path)  
        # 使用Tesseract OCR引擎对图片进行OCR识别，并指定使用简体中文（chi_sim）  
        text = pytesseract.image_to_string(image, lang='chi_sim')  
        # 关闭PDF文档  
        doc.close()  
        # 关闭PIL图像对象（尽管在Python中通常不需要显式关闭，但这里为了明确性）  
        image.close()  
        # 返回识别到的文本  
        return text  
    except Exception as e:  
        # 如果在OCR过程中发生任何异常，打印错误信息并返回None  
        print(f"Error processing {pdf_path}: {e}")  
        return None  
  
# 定义函数process_pdfs_in_folder，用于处理指定文件夹中的PDF文件  
def process_pdfs_in_folder(folder_path, output_folder):  
    # 如果输出文件夹不存在，则创建它  
    if not os.path.exists(output_folder):  
        os.makedirs(output_folder)  
    # 遍历指定文件夹中的所有文件  
    for filename in os.listdir(folder_path):  
        # 如果文件是以.pdf结尾的  
        if filename.endswith('.pdf'):  
            # 构建完整的文件路径  
            file_path = os.path.join(folder_path, filename)  
            print(f"正在处理文件: {file_path}")  # 打印正在处理的文件路径  
            try:  
                # 提取文件名（不包括扩展名）作为基础名  
                base_name, _ = os.path.splitext(filename)  
                # 构建输出图片文件的路径  
                output_image_path = os.path.join(output_folder, f"{base_name}_first_page.png")  
                # 对PDF文件的第一页进行OCR识别  
                text = ocr_first_page_of_pdf(file_path, output_image_path, zoom=2.0)  
                if text is not None:  
                    # 打印识别到的文本（注意：下面的两行代码已被注释掉）  
                    # no_whitespace = re.sub(r"\s", "", text)  # 移除所有空白字符（包括空格、制表符等）  
                    # no_newlines_tabs = re.sub(r"[\n\t]", "", no_whitespace)  # 移除换行符和制表符  
                    print(text)  # 打印识别到的文本（包含所有字符）  
            except Exception as e:  
                # 如果在处理过程中发生任何异常，打印错误信息  
                print(f"处理文件 {file_path} 时发生错误: {e}")  
  
# 调用process_pdfs_in_folder函数，处理指定文件夹中的PDF文件  
process_pdfs_in_folder(r'C:\Users\your_folder_name', r'output')  # 请将your_folder_name替换为实际的文件夹名

有几点需要注意的地方：
首先我的代码是运行在windows环境上的，所以在前面要声明pytesseract库，即pytesseract库需要知道tesseract.exe的路径以便进行OCR识别
其次在项目下必须要有一个名为output的文件夹用来存放映射后的PDF文件中的图片
最后page = doc.load_page(0)这里的doc.load_page中的参数是对PDF文档中的指定页面进行操作，0是指第一页
附2024年Tesseract中文库下载最新安装包+OCR中文语言包