掃描件 PDF 本質(zhì)是 “圖像集合”（每一頁都是一張圖片），無法直接復制或編輯文本。要提取其中的內(nèi)容，需借助OCR（光學字符識別）技術(shù)。本文將介紹如何通過 Python 結(jié)合 OCR 技術(shù)實現(xiàn)從掃描件 PDF 中提取文本，涵蓋環(huán)境搭建及示例代碼。

一、核心原理

提取 PDF 掃描件的文本的流程可拆解為 3 步：

• PDF 轉(zhuǎn)圖像：將掃描件 PDF 的每一頁拆分為獨立圖像（如 PNG/JPG）；
• OCR 識別：用 OCR 工具分析圖像，將其中的文字轉(zhuǎn)換為可編輯文本；
• 結(jié)果保存：將識別后的文本匯總到文件中（如 TXT）。

二、所需工具

要完成OCR PDF 的任務(wù)，需安裝以下兩個核心庫，分工明確：

• Spire.PDF for Python： 將 PDF 頁面轉(zhuǎn)換為圖像（輕量、兼容性好）
• Spire.OCR for Python：對轉(zhuǎn)換后的圖像執(zhí)行OCR文本識別 （支持多語言）

安裝命令：

打開終端/命令提示符，輸入以下pip命令，依次安裝兩個庫：

# 安裝PDF轉(zhuǎn)圖像庫
pip install Spire.PDF
# 安裝OCR識別庫
pip install Spire.OCR

背景知識：Spire.OCR的用法之前已經(jīng)詳細講解過，可參考：Python利用Spire.OCR for Python實現(xiàn)從圖片中提取文本和坐標

二、PDF文字識別提取步驟

下面我們以 “提取掃描 （圖片型）PDF 中的中文文本” 為例，步驟如下。

步驟1：導入核心模塊

首先導入兩個庫的核心類，后續(xù)所有操作都基于這些模塊：

# 導入Spire.PDF的核心類（用于PDF加載和轉(zhuǎn)圖像）
from spire.pdf import *
# 導入Spire.OCR的核心類（用于OCR引擎初始化和文本識別）
from spire.ocr import *

步驟2：初始化 OCR 引擎（關(guān)鍵配置）

OCR識別的準確率，很大程度取決于引擎的配置—尤其是模型路徑和識別語言，這兩步錯了會直接導致識別失敗。

# 初始化 OcrScanner
ocr_scanner = OcrScanner()

# 配置 OCR 依賴
config = ConfigureOptions()
# 設(shè)置OCR模型路徑 （模型需提前下載，鏈接在另一篇文章）
config.ModelPath = "F:\\OCR Model\\win-x64"
# 設(shè)置識別語言（支持多語言，如"Chinese"“Japanese”“French”）
config.Language = "Chinese"

# 將配置應(yīng)用到 OCR 引擎
ocr_scanner.ConfigureDependencies(config)

步驟3：加載 PDF 并轉(zhuǎn)換為圖像

掃描PDF的本質(zhì)是“一頁頁的圖像”，所以需要先把PDF的每一頁拆成獨立圖像（建議用PNG格式，無損壓縮不影響識別）：

# 加載目標 PDF 文件
pdf_doc = PdfDocument()
pdf_doc.LoadFromFile("示例.pdf")  # 替換為你的PDF實際路徑

# 循環(huán)遍歷PDF的每一頁，轉(zhuǎn)換為圖像并保存
for page_index in range(pdf_doc.Pages.Count):
    with pdf_doc.SaveAsImage(page_index) as page_image:
        page_image.Save(f"Pdf圖片_{page_index}.png")  # 保存為PNG格式，文件名按頁碼命名
                # 掃描圖像
        ocr_scanner.Scan(f"Pdf圖片_{page_index}.png")

步驟4：OCR識別圖像并保存文本

最后一步，對每個圖像執(zhí)行OCR識別，再將結(jié)果匯總到文本文件中（支持追加寫入，避免覆蓋）：

        # 從圖像中提取文本
        scan_result = ocr_scanner.Text.ToString()
        
        # 將提取的文本追加寫入文件
        with open("PDF文本.txt", 'a', encoding='utf-8') as file:
            file.write(scan_result + '\n')

輸出結(jié)果：

運行代碼后，你會得到兩個類型的文件：

1.圖像文件：如Pdf圖片_1.png、Pdf圖片_2.png，對應(yīng)PDF的每一頁；

2.文本文件：PDF文本.txt，里面包含每一頁的識別文本，示例如下：

四、常見問題&解決方案

到此這篇關(guān)于Python結(jié)合OCR實現(xiàn)從掃描件PDF中提取文本的文章就介紹到這了,更多相關(guān)Python提取PDF掃描件文本內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論