基于Tesseract-OCR的孟加拉语PDF转DOCX转换器优化求助

现有代码核心问题 #

• 错误将DOCX文件传入pytesseract.image_to_string()：Tesseract仅支持图像格式（PNG/JPG等），无法直接识别DOCX
• pdf2docx对非拉丁文字符（如孟加拉语）原生支持有限，转档易丢失字符或格式
• 未区分原生可编辑PDF和扫描版PDF，两者处理逻辑完全不同

一、核心优化思路 #

1. 区分PDF类型
   • 原生PDF：直接提取结构化文本、表格和格式，无需OCR
   • 扫描版PDF：先转成图像，再用Tesseract OCR识别，同时保留布局信息
2. 工具选型调整
   • 原生PDF：用PyMuPDF提取带格式文本，pdfplumber提取表格
   • 扫描版PDF：用pdf2image转图像，配合Tesseract孟加拉语训练库
   • DOCX输出：用python-docx手动构建文档，保留对齐、制表符等格式

二、优化后的代码实现 #

1. 依赖安装 #

pip install pymupdf pdfplumber pdf2image python-docx pytesseract

注意：需确保Tesseract已安装孟加拉语语言包，可通过tesseract --list-langs验证是否包含ben

2. 原生PDF处理（带格式提取） #

import os
from pathlib import Path
import fitz  # PyMuPDF
import pdfplumber
from docx import Document
from docx.shared import Pt
from docx.enum.text import WD_ALIGN_PARAGRAPH
from tkinter import messagebox as mb

current_path = os.path.dirname(os.path.abspath(__file__))
input_pdf = os.path.join(current_path, "input.pdf")
output_docx = os.path.join(current_path, "output.docx")

def process_native_pdf(pdf_path, docx_path):
    doc = Document()
    
    # 提取文本及格式
    with fitz.open(pdf_path) as pdf:
        for page in pdf:
            blocks = page.get_text("dict")["blocks"]
            for block in blocks:
                if block["type"] == 0:  # 文本块
                    para = doc.add_paragraph()
                    for line in block["lines"]:
                        for span in line["spans"]:
                            run = para.add_run(span["text"])
                            # 设置孟加拉语字体（需系统已安装，如Siyam Rupali）
                            run.font.name = "Siyam Rupali"
                            run.font.size = Pt(span["size"])
                            # 匹配原对齐方式
                            if span["flags"] & 2:
                                para.alignment = WD_ALIGN_PARAGRAPH.CENTER
                            elif span["flags"] & 4:
                                para.alignment = WD_ALIGN_PARAGRAPH.RIGHT
                            else:
                                para.alignment = WD_ALIGN_PARAGRAPH.LEFT
    
    # 提取表格并插入DOCX
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                doc_table = doc.add_table(rows=len(table), cols=len(table[0]))
                for i, row in enumerate(table):
                    for j, cell in enumerate(row):
                        doc_table.cell(i,j).text = cell if cell else ""
    
    doc.save(docx_path)
    print("原生PDF处理完成，已保存为DOCX")

# 执行处理
if Path(input_pdf).is_file() and input_pdf.lower().endswith(".pdf"):
    try:
        process_native_pdf(input_pdf, output_docx)
    except Exception as ex:
        mb.showerror("错误", f"处理失败：{str(ex)}")
else:
    mb.showerror("提示", "未找到PDF文件！")

3. 扫描版PDF处理（OCR+格式保留） #

import os
from pathlib import Path
import pdf2image
import pytesseract
from docx import Document
from tkinter import messagebox as mb

current_path = os.path.dirname(os.path.abspath(__file__))
input_pdf = os.path.join(current_path, "input.pdf")
output_docx = os.path.join(current_path, "output_ocr.docx")

# 若Tesseract未加入系统环境变量，需指定路径
# pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

def process_scanned_pdf(pdf_path, docx_path):
    doc = Document()
    # 将PDF转成图像
    images = pdf2image.convert_from_path(pdf_path)
    
    for img in images:
        # 用Tesseract识别，保留段落布局
        text = pytesseract.image_to_string(img, lang="ben", config="--psm 6")
        para = doc.add_paragraph(text)
        # 设置孟加拉语字体
        for run in para.runs:
            run.font.name = "Siyam Rupali"
    
    doc.save(docx_path)
    print("扫描版PDF OCR处理完成，已保存为DOCX")

# 执行处理
if Path(input_pdf).is_file() and input_pdf.lower().endswith(".pdf"):
    try:
        process_scanned_pdf(input_pdf, output_docx)
    except Exception as ex:
        mb.showerror("错误", f"处理失败：{str(ex)}")
else:
    mb.showerror("提示", "未找到PDF文件！")

三、关键注意事项 #

• 确保系统安装孟加拉语字体（如Siyam Rupali、SolaimanLipi），避免DOCX乱码
• Tesseract需安装最新版，且将ben.traineddata放在Tesseract的tessdata目录下
• 混合类型PDF（部分原生、部分扫描）可结合两种逻辑，先尝试原生提取，失败自动切换OCR

内容的提问来源于stack exchange，提问作者Mohammad Yasin