完全懂你这种糟心的情况——纸质文本本来就模糊不清，扫描后更是雪上加霜，好不容易凑了Python代码处理，结果3页只剩一页乱码，这谁看了不崩溃😂 咱先把问题拆解清楚，再一步步给你优化方案：

为啥你原来的代码拉胯了？ #

大概率栽在这几个环节：

• 没给模糊的扫描图做针对性预处理（这是模糊文本识别的核心！）
• PDF转图片时分辨率太低，甚至只默认处理了第一页
• Tesseract OCR的默认配置对模糊文本完全不友好

第一步：先给图像做“美颜预处理” #

模糊文本的痛点就是噪点多、笔画虚、背景干扰大，咱先把这些问题解决掉：

import cv2
import numpy as np

def preprocess_image(image):
    # 1. 转灰度图：砍掉彩色干扰，减少计算量
    gray = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2GRAY)
    
    # 2. 降噪：用中值滤波对付扫描的颗粒噪点，比高斯模糊更适配文本场景
    denoised = cv2.medianBlur(gray, 3)
    
    # 3. 自适应二值化：专门对付光照不均匀的扫描件，硬把文本和背景分开
    # 参数可以自己调：11是块大小，2是常数，数值越大文本越粗
    thresh = cv2.adaptiveThreshold(denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
    
    # 4. 形态学膨胀：把模糊的笔画补全，要是文本太粗就换成腐蚀操作（cv2.erode）
    kernel = np.ones((2,2), np.uint8)
    processed = cv2.dilate(thresh, kernel, iterations=1)
    
    return processed

第二步：把PDF转成高清图，每页都不放过 #

之前大概率是转图时分辨率不够（默认dpi很低），咱直接拉满分辨率，一次性处理所有页面：

from pdf2image import convert_from_path

# 把PDF转成300dpi的高清图片，自动识别所有页面
pages = convert_from_path("你的扫描文件.pdf", dpi=300)

第三步：给Tesseract加“专属配置” #

默认的Tesseract对模糊文本识别率极低，咱手动调参数适配：

import pytesseract

# 配置说明：
# --oem 3：用默认的OCR引擎模式
# --psm 6：假设每页是一个统一的文本块（适合扫描件）
# -l chi_sim+eng：同时支持中文和英文，只需要中文就写chi_sim
tesseract_config = r'--oem 3 --psm 6 -l chi_sim+eng'

第四步：整合所有步骤，生成多页PDF #

这次要把所有页面都处理，再也不会只出一页了：

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter

# 创建多页PDF，用A4/letter尺寸都行
output_pdf = canvas.Canvas("优化后的文本.pdf", pagesize=letter)
width, height = letter

for idx, page in enumerate(pages):
    # 预处理当前页的图片
    processed_img = preprocess_image(page)
    
    # 用调过配置的Tesseract识别文本
    text = pytesseract.image_to_string(processed_img, config=tesseract_config)
    
    # 把识别的文本写到PDF对应页面
    output_pdf.setFont("Helvetica", 10)
    y_position = height - 50  # 从页面顶部50px开始写
    for line in text.split('\n'):
        if y_position < 50:  # 写到页底就自动换页
            output_pdf.showPage()
            output_pdf.setFont("Helvetica", 10)
            y_position = height - 50
        output_pdf.drawString(50, y_position, line)
        y_position -= 15  # 每行间距15px

output_pdf.save()

最后给你几个实用小Tips #

• 如果文本真的糊到离谱，可以试试用超分辨率模型把图片放大再处理，比如用OpenCV的dnn模块加载预训练的超分模型，不用额外装花里胡哨的库
• 一定要装对Tesseract的语言包！识别中文就装chi_sim包，不然识别出来全是乱码
• 预处理的参数（比如二值化的块大小、形态学的核大小）可以根据你的实际图片微调，多试两次就能找到最合适的数值