Python实现图片版PDF转文字版PDF完整教程
本文详细介绍如何利用Python将无法复制的图片版PDF转换为可编辑的文字版PDF。通过结合PyPDF2、Ghostscript、PythonMagick、pdfkit及百度AI文字识别服务，实现PDF页面拆分、图片转换、OCR识别及重新生成PDF的全流程。文中提供了环境配置、库安装及完整示例代码，帮助开发者快速解决扫描件PDF处理问题。
图片版PDF转文字版PDF概述
图片版PDF由于仅包含图像数据，无法直接复制其中的文字内容，这给信息提取带来不便。将其转换为文字版PDF后，用户可以更方便地复制、搜索和编辑文本信息。
实现这一转换过程需要依赖Python 3.6环境，并安装PyPDF2、Ghostscript、PythonMagick、pdfkit等Python库，同时接入百度文字识别服务以完成OCR识别任务。
环境准备与依赖安装
环境准备与库安装
安装Python 3.6环境，具体步骤此处省略。
安装Ghostscript，这是处理PDF和PostScript文件的重要工具。
访问Ghostscript官方下载页面：https://ghostscript.com/download/gsdnld.html 获取安装包。
安装wkhtmltopdf，用于将HTML或字符串转换为PDF格式。
访问wkhtmltopdf官方下载页面：https://wkhtmltopdf.org/downloads.html 获取对应系统的安装包。
使用pip命令安装PyPDF2、ghostscript、baidu-aip以及pdfkit库。
pip install PyPDF2
pip install ghostscript
pip install baidu-aip
pip install pdfkitPythonMagick库用于处理图像转换，由于版本兼容性原因，建议通过指定whl文件进行安装。
访问Unofficial Windows Binaries for Python Extension Packages页面：https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应的PythonMagick whl文件。
cd 下载目录
pip install PythonMagick‑0.9.13‑cp36‑cp36m‑win_amd64.whl核心库功能与示例
PyPDF2库主要用于PDF文件的拆分、合并及页面提取操作。
以下是使用PyPDF2进行PDF页面操作的示例代码：
#导入PdfFileReader和PdfFileWriter
from PyPDF2 import PdfFileReader, PdfFileWriter
#获取一个pdf对象
pdf_input = PdfFileReader(open(r'pdf路径', 'rb'))
#获取pdf页数
page_count = pdf_input.getNumPages()
#获取pdf第四页的内容
page = pdf_input.getPage(3)
page['/Contents']
#获取一个pdfWriter对象
pdf_output = PdfFileWriter()
# 将一个 PageObject 加入到 PdfFileWriter 中
pdf_output.addPage(page)
#把新pdf保存
pdf_output.write(open(r'新pdf路径','wb'))
PythonMagick库负责将单页PDF文件转换为JPG图片，以便后续进行OCR识别。
百度AI开放平台提供文字识别服务，需通过Python SDK接入。
百度文字识别服务每天提供500次免费调用额度。以下是调用SDK的示例代码：
#导入baidu-aip
from aip import AipOcr
#https://console.bce.baidu.com/#/index/overview
#产品服务->人工智能->文字识别->创建应用
#获取以下三个值
APP_ID = '??'
API_KEY = '??'
SECRET_KEY = '?? '
#新建一个AipOcr
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
#读取本地图片的函数
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
#读取本地图片
image = get_file_content('p1.jpg')
#可选参数
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "true"
options["detect_language"] = "true"
options["probability"] = "true"
#通用文字识别
client.basicGeneral(image, options)
#读取网络图片
url = "https://note.youdao.com/yws/public/resource/1577071c1ffa2b6bf4e238ef6dbcfbf5/xmlnote/E5A19BEDFEBA4879B217C5BBF53B0245/22138"
#可选参数
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "true"
options["detect_language"] = "true"
options["probability"] = "true"
#通用文字识别
client.basicGeneralUrl(url, options)
#读取本地表格图片的函数
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
#读取本地表格图片
image = get_file_content('p2.jpg')
#可选参数
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "true"
options["detect_language"] = "true"
options["probability"] = "true"
#通用文字识别
client.basicGeneral(image, options)
#读取表格分割效果较差!
pdfkit库用于将字符串或HTML内容直接生成PDF文件。以下是生成PDF的示例代码：
#pdfkit安装位置设置
path_wk = r'pdfkit安装位置设置'
pdfkit_config = pdfkit.configuration(wkhtmltopdf = path_wk)
#pdfkit参数
pdfkit_options = {'encoding': 'UTF-8',}
#制作PDF
pdfkit.from_string(('string'),'D:\test.pdf',configuration=pdfkit_config,options=pdfkit_options)
完整处理流程代码
以下是整合上述所有步骤的完整处理流程代码：
#导入所需包
#os,操作文件和路径
import os
#ghostscript,代码简化
import ghostscript
#pypdf2,拆分pdf
from PyPDF2 import PdfFileReader, PdfFileWriter
#PythonMagick,单页PDF转图片
from PythonMagick import Image
#baidu-aip,百度文字识别
from aip import AipOcr
#pdfkit,字符串制作PDF
import pdfkit
#参数
path='??'
pdfname='??'
DPI='85'
#https://console.bce.baidu.com/#/index/overview
#产品服务->人工智能->文字识别->创建应用
#获取以下三个值
APP_ID = '??'
API_KEY = '??'
SECRET_KEY = '?? '
#pdfkit安装位置设置
path_wk = r'pdfkit安装位置设置'
pdfkit_config = pdfkit.configuration(wkhtmltopdf = path_wk)
#pdfkit参数
pdfkit_options = {'encoding': 'UTF-8',}
#PDF转化为图片
os.chdir(path)
pdf_input = PdfFileReader(open(pdfname, 'rb'))
#自动获取PDF页数
page_count = pdf_input.getNumPages()
page_range=range(page_count)
#也可以手工指定PDF需要转换的页数
#page_range=range(0,100)
#使用PyPDF和ghostscript
#==超级好用,超级直观,超级短==
for page_num in page_range:
im = Image()
im.density(DPI)
im.read(pdfname + '[' + str(page_num) +']')
im.write(str(page_num)+ '.jpg')
#图片转化为字符串
#新建一个AipOcr
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
#读取本地图片的函数
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
#可选参数
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "false"
options["detect_language"] = "false"
options["probability"] = "false"
allteststr=[]
for page_num in page_range:
#读取本地图片
image = get_file_content(r'%s\%s.jpg' % (path,page_num))
#通用文字识别,得到的是一个dict
testjson=client.basicGeneral(image, options)
teststr=''
for x in testjson['words_result']:
teststr=teststr+x['words']+'</br>'
allteststr.append(teststr)
#字符串写入PDF
for page_num in page_range:
pdfkit.from_string((allteststr[page_num]),'%s.pdf' % (str(page_num)),configuration=pdfkit_config,options=pdfkit_options)
#合并单页PDF
pdf_output = PdfFileWriter()
for page_num in page_range:
os.chdir(path)
pdf_input = PdfFileReader(open('%s.pdf' % (str(page_num)), 'rb'))
page = pdf_input.getPage(0)
pdf_output.addPage(page)
pdf_output.write(open('newpdf.pdf','wb'))
以上即为使用Python 3.6、PyPDF2、Ghostscript、PythonMagick、百度文字识别服务以及pdfkit完成图片版PDF转文字版PDF的完整方案。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
