使用Python实现PDF转图片及OCR识别的完整指南

在数字化办公和文档处理的场景中，PDF文件因其跨平台兼容性和格式稳定性成为主流文档格式。然而，PDF中的文本信息若以扫描图像或矢量图形形式存在，直接提取会面临挑战。通过将PDF转换为图像并结合OCR（光学字符识别）技术，我们可以高效提取其中的文字内容。本文将详细介绍如何使用Python实现这一过程，并提供完整的代码示例和优化建议。

一、PDF转图片的核心思路

PDF文件本质上是一个静态文档，其内容可能包含文本、矢量图形或扫描图像。若需提取PDF中的文字，通常有两种情况：

1. 可编辑文本PDF：直接提取文本即可（如使用pdfplumber或PyMuPDF的extract_text()方法）。
2. 扫描图像PDF：需要将PDF转换为图像，再通过OCR识别图像中的文字。

本文聚焦于扫描图像PDF的处理流程，即通过以下步骤实现文本提取：

• PDF转图片：将PDF的每一页渲染为高分辨率图像。
• OCR识别：使用OCR引擎从图像中提取文字内容。

二、环境准备与依赖库安装

1. 安装必要工具和库

系统级工具

• Poppler：用于PDF渲染（Windows需配置环境变量）。
• Tesseract-OCR：开源OCR引擎，支持多语言识别（需下载并配置环境变量）。

Python库

pip install pdf2image PyMuPDF pillow pytesseract paddlepaddle paddleocr

• pdf2image：将PDF转换为图像。
• PyMuPDF（fitz）：高效处理PDF并生成高质量图像。
• pillow：图像处理辅助。
• pytesseract：调用Tesseract-OCR的Python接口。
• paddleocr：百度开源的OCR库，支持中文、英文等多语言识别。

三、PDF转图片的实现方法

方法一：使用pdf2image库

from pdf2image import convert_from_path

def pdf_to_images(pdf_path, output_folder):
    # 将PDF转换为图像列表
    images = convert_from_path(pdf_path, dpi=300, poppler_path=r"C:\Program Files\poppler\Library\bin")
    for i, image in enumerate(images):
        image.save(f"{output_folder}/page_{i+1}.jpg", "JPEG")
    print(f"已保存 {len(images)} 页图像到 {output_folder}")

# 使用示例
pdf_to_images("input.pdf", "output_images")

方法二：使用PyMuPDF（fitz）

import fitz  # PyMuPDF

def pdf_to_images(pdf_path, output_folder):
    doc = fitz.open(pdf_path)
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        zoom = 2.0  # 缩放系数，提高分辨率
        mat = fitz.Matrix(zoom, zoom)
        pix = page.get_pixmap(matrix=mat)
        pix.save(f"{output_folder}/page_{page_num+1}.png")
    doc.close()
    print(f"PDF共 {len(doc)} 页，图像已保存至 {output_folder}")

对比：

• pdf2image依赖Poppler，适合快速转换。
• PyMuPDF内置渲染引擎，无需外部依赖，且支持更高分辨率输出。

四、OCR识别的实现方法

方法一：使用pytesseract（Tesseract-OCR）

from PIL import Image
import pytesseract

def ocr_image(image_path):
    # 识别图像中的文字
    text = pytesseract.image_to_string(Image.open(image_path), lang="chi_sim")
    return text

# 处理所有页面
for i in range(1, 6):  # 假设PDF共有5页
    image_path = f"output_images/page_{i}.jpg"
    text = ocr_image(image_path)
    with open(f"output_text/page_{i}.txt", "w", encoding="utf-8") as f:
        f.write(text)
    print(f"第 {i} 页文字已保存")

注意事项：

• 需提前下载中文训练数据（chi_sim.traineddata），并放置在Tesseract的tessdata目录中。
• 通过lang="eng"可切换为英文识别。

方法二：使用PaddleOCR（百度开源）

from paddleocr import PaddleOCR

# 初始化OCR模型（支持中文、英文等）
ocr = PaddleOCR(use_angle_cls=True, lang="ch")

def ocr_image(image_path):
    result = ocr.ocr(image_path, cls=True)
    text = [line[1][0] for line in result]
    return "\n".join(text)

# 处理所有页面
for i in range(1, 6):  # 假设PDF共有5页
    image_path = f"output_images/page_{i}.jpg"
    text = ocr_image(image_path)
    with open(f"output_text/page_{i}.txt", "w", encoding="utf-8") as f:
        f.write(text)
    print(f"第 {i} 页文字已保存")

优势：

• 出色的中文识别能力，支持复杂排版和手写体。
• 内置分类器，可自动区分文本方向和布局。

五、完整流程示例

1. 整合PDF转图片与OCR识别

import os
from pdf2image import convert_from_path
from paddleocr import PaddleOCR

def process_pdf(pdf_path, output_folder):
    # 创建输出目录
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    # PDF转图片
    images = convert_from_path(pdf_path, dpi=300)
    for i, image in enumerate(images):
        image_path = f"{output_folder}/page_{i+1}.jpg"
        image.save(image_path, "JPEG")

    # OCR识别
    ocr = PaddleOCR(use_angle_cls=True, lang="ch")
    for i in range(len(images)):
        image_path = f"{output_folder}/page_{i+1}.jpg"
        result = ocr.ocr(image_path, cls=True)
        text = "\n".join([line[1][0] for line in result])
        text_path = f"{output_folder}/page_{i+1}_text.txt"
        with open(text_path, "w", encoding="utf-8") as f:
            f.write(text)
        print(f"第 {i+1} 页处理完成")

# 使用示例
process_pdf("input.pdf", "output_results")

六、优化与注意事项

1. 提高OCR识别精度

• 图像预处理：使用Pillow进行二值化、降噪或锐化处理。

  from PIL import Image, ImageFilter
  image = Image.open("page_1.jpg").convert("L").filter(ImageFilter.SHARPEN)

• 调整分辨率：PDF转图片时适当提高DPI（如300-600）以增强OCR效果。

2. 多语言支持

• Tesseract：通过lang="chi_sim+eng"同时识别中英文。
• PaddleOCR：设置lang="en"或混合语言模型。

3. 性能优化

• 批量处理：使用多线程加速多页PDF的转换与识别。
• 缓存图像：避免重复读取和处理相同图像。

4. 常见问题

• 错误：找不到Poppler路径：在convert_from_path()中显式指定poppler_path。
• OCR结果缺失：检查图像质量，尝试调整缩放系数或预处理参数。

七、实际应用场景

1. 档案数字化：将纸质文档扫描为PDF后提取文本，便于检索和分析。
2. 发票/合同处理：自动提取发票编号、金额等关键信息，减少人工输入。
3. 学术研究：批量处理PDF文献，提取引用内容或关键词。

八、总结

通过Python结合PDF渲染库和OCR引擎，开发者可以高效地将扫描版PDF转换为可编辑文本。本文介绍了两种主流PDF转图片方法（pdf2image和PyMuPDF）及两种OCR实现方案（pytesseract和PaddleOCR），并提供了完整的代码示例和优化建议。实际应用中，可根据需求选择工具组合：若需高精度中文识别，推荐PaddleOCR；若追求轻量级方案，可使用pytesseract。通过灵活调整参数和预处理步骤，可进一步提升系统的稳定性和准确性。

希望本文能帮助您快速掌握PDF文本提取的核心技术，并在实际项目中发挥价值！