如何用Python提取影印/扫描版PDF文件中的文本？

扫描或影印生成的PDF本质是由图像组成的，没有可直接读取的文本层，所以PyPDF2这类仅处理PDF文本层的工具无法提取内容，需要借助**OCR（光学字符识别）**技术。下面是最常用的实现方案：

依赖准备 #

需要安装两个Python库，以及本地的OCR引擎：

• pdf2image：用于将PDF页面转换为图像
• pytesseract：用于调用Tesseract OCR引擎识别图像文本
• Tesseract OCR引擎：本地安装（Windows/macOS/Linux都有对应安装包）

安装命令：

pip install pdf2image pytesseract

Windows用户需额外安装Tesseract OCR，并确保其路径加入系统环境变量；macOS可通过brew install tesseract安装；Linux用sudo apt install tesseract-ocr。

代码实现 #

from pdf2image import convert_from_path
import pytesseract

# 如果Tesseract不在系统环境变量中，需指定路径（Windows示例）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def extract_scanned_pdf_text(pdf_path):
    # 将PDF转换为图像列表
    pages = convert_from_path(pdf_path)
    full_text = ""
    
    for page_num, page_img in enumerate(pages, start=1):
        # 识别单页图像的文本，lang指定语言（中文用chi_sim，英文用eng）
        page_text = pytesseract.image_to_string(page_img, lang='chi_sim')
        full_text += f"--- 第{page_num}页 ---\n{page_text}\n"
    
    return full_text

# 使用示例
pdf_path = r'C:\filepath\file.pdf'
extracted_text = extract_scanned_pdf_text(pdf_path)
print(extracted_text)

关键说明 #

• lang参数：根据PDF语言选择，支持多语言组合（如eng+chi_sim同时识别中英）
• 图像预处理：如果PDF图像模糊、倾斜，可先使用OpenCV进行降噪、矫正操作，提升识别准确率
• 替代方案：也可以使用easyocr库（无需额外安装Tesseract），但识别速度和准确率略低于Tesseract

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