Python结合OCR实现从扫描件PDF中提取文本

# 安装PDF转图像库
pip install Spire.PDF
# 安装OCR识别库
pip install Spire.OCR

# 导入Spire.PDF的核心类（用于PDF加载和转图像）
from spire.pdf import *
# 导入Spire.OCR的核心类（用于OCR引擎初始化和文本识别）
from spire.ocr import *

# 初始化 OcrScanner
ocr_scanner = OcrScanner()

# 配置 OCR 依赖
config = ConfigureOptions()
# 设置OCR模型路径 （模型需提前下载，链接在另一篇文章）
config.ModelPath = "F:\\OCR Model\\win-x64"
# 设置识别语言（支持多语言，如"Chinese"“Japanese”“French”）
config.Language = "Chinese"

# 将配置应用到 OCR 引擎
ocr_scanner.ConfigureDependencies(config)

# 加载目标 PDF 文件
pdf_doc = PdfDocument()
pdf_doc.LoadFromFile("示例.pdf")  # 替换为你的PDF实际路径

# 循环遍历PDF的每一页，转换为图像并保存
for page_index in range(pdf_doc.Pages.Count):
    with pdf_doc.SaveAsImage(page_index) as page_image:
        page_image.Save(f"Pdf图片_{page_index}.png")  # 保存为PNG格式，文件名按页码命名
                # 扫描图像
        ocr_scanner.Scan(f"Pdf图片_{page_index}.png")

        # 从图像中提取文本
        scan_result = ocr_scanner.Text.ToString()
        
        # 将提取的文本追加写入文件
        with open("PDF文本.txt", 'a', encoding='utf-8') as file:
            file.write(scan_result + '\n')