PDF内容识别处理逻辑：
- 加载PDF
- 转化成图像
- 将图像内容转化成字符串（根据训练集数据）
对应的python包（可以用pip安装）：
- pdfplumber
- pillow
- pytesseract
在处理流程中，需要安装poppler和tesseract两个组件：
1. 安装poppler
1.1 下载最新Poppler，解压至设定的目录；
1.2 设置系统环境变量：例如D:\Program Files (x86)\poppler\poppler-23.11.0\Library\bin；
2. 去GitHub - tesseract-ocr/tessdoc下载* Windows - Tesseract at UB Mannheim（如图所示）
提供3种Tesseract程序
2.1 安装流程：
- 安装Tesseract at UB Mannheim到设定的目录（如D:\Program Files\）
2.2 下载OCR需要的训练集，Traineddata Files for Version 4.00 + | tessdoc
如果只需要识别某种语言的，也可以在该页面下面，下载对应语言的*.traineddata
- 设置系统环境变量：D:\Program Files (x86)\Tesseract-OCR；
- 搜索pytesseract.py，将其中的
tesseract_cmd = 'tesseract'修改为tesseract_cmd = r'D:\Program Files (x86)\Tesseract-OCR\tesseract.exe'（路径为之前安装的Tesseract-ORC中的tesseract.exe程序）； -
下载OCR训练数据集，将其文件解压至D:\Program Files (x86)\Tesseract-OCR\tessdata中；
训练数据集
测试代码如下：
import glob
import pdfplumber
import pytesseract
from PIL import Image
from pdf2image import convert_from_path
# 使用 glob 模块获取所有 PDF 文件的路径
pdf_files = glob.glob("path_to_your_pdf_file.pdf")
# 遍历所有 PDF 文件
for pdf_file in pdf_files:
# 打开PDF文件
with pdfplumber.open(pdf_file) as pdf:
# 初始化一个空字符串来存储提取的文本
extracted_text = ""
# 遍历PDF中的每一页
for page in pdf.pages:
# 提取当前页的文本
text = page.extract_text()
if text:
extracted_text += text + "\n"
# 将PDF页面转换为图像
images = convert_from_path(pdf_file)
images[0].show()
# images[0].save('1.jpg')
# 使用pytesseract进行OCR识别
# 你需要安装tesseract-ocr并配置环境变量
recognized_text = ""
for image in images:
recognized_text += pytesseract.image_to_string(image) + "\n"
# 输出提取的文本和OCR识别的文本
print(f"Extracted Text from {pdf_file}:")
print(extracted_text)
print(f"\nRecognized Text from {pdf_file}:")
print(recognized_text)
