之前想了很多種辦法來解析PDF文件內容（Python 讀取PDF文件），一般針對電子版word或者Excel轉化為PDF的PDF文件具有不錯的效果，但是依然不能解析圖片（圖片中文字）內容，如果PDF是掃描版呢，那種方法就不行了。

所以我又想了另一個辦法，就是先把PDF文件轉化為圖片，然后再將圖片進行OCR識別，得到最終PDF的內容。

1 把PDF轉化為圖片

可以參考博文：windows下用Python把pdf文件轉化為圖片

代碼如下：

            
              import fitz

PDF_path = "你的PDF文件路徑"
imgs_save_path = "圖片保存文件夾路徑"

def PDF_to_imgs(PDF_path, save_path):
    # 打開PDF文件，生成一個對象
    doc = fitz.open(PDF_path)

    # 將PDF文件的每一頁都轉化為圖片
    for pg in range(doc.pageCount):
        page = doc[pg]
        rotate = int(0)
        # 每個尺寸的縮放系數為2，這將為我們生成分辨率提高4倍的圖像。
        zoom_x = 2
        zoom_y = 2
        trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
        pm = page.getPixmap(matrix=trans, alpha=False)
        pm.writePNG(save_path + '%s.png' % pg)
        
                
PDF_to_imgs(PDF_path, imgs_save_path)          
            
          

2 將圖片進行OCR識別

pytesseract模塊的安裝參考博文：基于python的OCR字符識別

代碼如下：

            
              import os
import pytesseract
 
from PIL import Image

imgs_save_path = "C:\\Users\\Administrator\\Desktop\\PDF\\"
txts_save_path = "C:\\Users\\Administrator\\Desktop\\TXT\\"
        
def img_to_txt(imgs_path, save_path):
    # 將文件夾下的所有圖片進行OCR識別
    for files, _, file_names in os.walk(imgs_path):
        for file_name in file_names:
            image = Image.open(files + file_name)
            # chi_sim 是中文識別包，equ 是數學公式包，eng 是英文包
            content = pytesseract.image_to_string(image, lang="chi_sim")
            txt_name = file_name.split(".")[0] + ".txt"
            with open(save_path + txt_name, "w") as f:
                f.write(content)


img_to_txt(imgs_save_path, txts_save_path)          
            
          

?