Python如何提取AutoCAD生成的图片型PDF中的文本？

这类PDF本质是图像集合，无法通过PyPDF2、PDFMiner这类针对可编辑文本的工具提取内容，必须使用OCR（光学字符识别）工具来提取图像中的文本。以下是几个实用的Python库方案：

1. PyTesseract + pdf2image #

PyTesseract是Google Tesseract OCR引擎的Python封装，需要配合pdf2image将PDF页面转为图像，再进行识别。

依赖安装 #

pip install pytesseract pillow pdf2image

注意：需额外安装Tesseract OCR引擎，以及Poppler工具用于PDF转图像（需将工具路径配置到系统环境变量，或在代码中指定）。

示例代码 #

import pytesseract
from pdf2image import convert_from_path
from PIL import Image

# 若Tesseract不在系统PATH中，指定其安装路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 将PDF转换为图像列表
pdf_pages = convert_from_path('autocad_output.pdf')

# 逐页识别文本
for idx, page_img in enumerate(pdf_pages):
    # 可选：图像预处理提升识别率（转灰度、二值化）
    gray_img = page_img.convert('L')
    binary_img = gray_img.point(lambda x: 0 if x < 127 else 255, '1')
    
    # 识别文本，lang参数指定语言（中文用chi_sim，英文用eng）
    page_text = pytesseract.image_to_string(binary_img, lang='chi_sim')
    print(f"第{idx+1}页识别结果:\n{page_text}\n")

2. EasyOCR #

EasyOCR无需额外安装Tesseract引擎，自带预训练模型，使用更简便，支持多语言识别。

依赖安装 #

pip install easyocr pdf2image

示例代码 #

import easyocr
from pdf2image import convert_from_path

# 初始化OCR阅读器，指定需识别的语言（中文+英文）
reader = easyocr.Reader(['ch_sim', 'en'])

pdf_pages = convert_from_path('autocad_output.pdf')

for idx, page_img in enumerate(pdf_pages):
    # 识别图像中的文本
    recognition_result = reader.readtext(page_img)
    # 提取并整理识别出的文本
    page_text = '\n'.join([item[1] for item in recognition_result])
    print(f"第{idx+1}页识别结果:\n{page_text}\n")

优化建议 #

AutoCAD生成的PDF常包含工程类字体或复杂排版，可通过以下方式提升识别准确率：

• 确保使用对应语言的OCR模型（比如中文需加载chi_sim模型）
• 对图像进行预处理（灰度化、二值化、降噪）
• 调整OCR的参数（如指定识别区域、调整置信度阈值）

内容的提问来源于stack exchange，提问作者Saeed isa