使用Tesseract与PyPDF2提取PDF数据时遇Windows路径过长ValueError

错误原因 #

• 核心错误：pytesseract.image_to_string用法完全错误：该函数用于对图像文件/图像对象执行OCR识别，但你传入了从PDF提取的文本字符串。Tesseract会将这个长文本误判为文件路径，而Windows默认对文件路径长度有限制（260字符），因此触发路径过长的报错。
• 次要错误：写入OCRdata.txt时使用了默认的只读模式(r)，无法执行写入操作，后续还会触发IO错误。

解决思路 #

需根据PDF的实际类型选择对应处理方式：

情况1：文本型PDF（可直接复制文字） #

此类PDF无需使用Tesseract，PyPDF2已能直接提取文本，直接保存提取结果即可。

情况2：扫描件/图像型PDF（无法直接复制文字） #

需先将PDF每页转换为图像，再对图像执行OCR。此时需额外安装pdf2image库完成PDF转图像的操作。

修正后的代码 #

文本型PDF简化代码 #

from PyPDF2 import PdfReader

pdf_path = "file_.pdf"
pdf = PdfReader(open(pdf_path, "rb"))

extracted_text = ""
for page_number, page in enumerate(pdf.pages, start=1):
    print(f"processing Page {page_number}")
    page_text = page.extract_text() or ""  # 处理页面无文本的边界情况
    extracted_text += page_text

# 一次性写入文件，比循环内追加更高效
with open("data.txt", "w", encoding="utf8") as dataFile:
    dataFile.write(extracted_text)

print(extracted_text)

图像型PDF的OCR处理代码（需先安装依赖） #

1. 安装所需依赖库：

pip install pytesseract PyPDF2 pdf2image pillow

2. 注意：pdf2image依赖Poppler工具，Windows用户需下载Poppler并配置环境变量，或在代码中指定其路径。

import pytesseract
from pdf2image import convert_from_path

pdf_path = "file_.pdf"
# 若未配置Poppler环境变量，添加poppler_path参数，示例：
# pages = convert_from_path(pdf_path, poppler_path=r"C:\poppler-23.08.0\Library\bin")
pages = convert_from_path(pdf_path)

final_text = ""
for page_number, img in enumerate(pages, start=1):
    print(f"processing Page {page_number}")
    # 如需识别中文，添加lang="chi_sim"参数
    page_text = pytesseract.image_to_string(img)
    final_text += page_text

# 保存OCR结果
with open("OCRdata.txt", "w", encoding="utf8") as OCRData:
    OCRData.write(final_text)

print(final_text)

内容的提问来源于stack exchange，提问作者Devashish Rattan