[已解决]类似图片格式的PDF该如何转txt文件啊？

sfqxx

你需要的是一个 Optical Character Recognition (OCR) 工具来解析PDF中的图像并转换为文本。Python 中有一些库可以帮助你做到这一点，例如 `PDF2` 和 `pytesseract`。

首先，你需要安装以下库（如果尚未安装）：

1. pip install pdf2image
   
2. pip install pytesseract
   
3. pip install PIL

复制代码

此外，你还需要在你的系统上安装 [Tesseract ↗](https://github.com/tesseract-ocr/tesseract/wiki)。

然后，你可以使用以下代码将 PDF 文件中的图片转换为文本：

1. from pdf2image import convert_from_path
   
2. import pytesseract
   
3. from PIL import Image
   
4. import io
   
5. 
   
6. # 你的 PDF 文件路径
   
7. pdf_path = 'path_to_your_pdf.pdf'
   
8. 
   
9. # 将 PDF 文件转换为 PIL Image 对象列表
   
10. images = convert_from_path(pdf_path)
    
11. 
    
12. # 初始化一个空字符串用于存储文本
    
13. result_text = ''
    
14. 
    
15. # 遍历所有的图片
    
16. for i, img in enumerate(images):
    
17.    
    
18.     # 将图片转化为文本
    
19.     text = pytesseract.image_to_string(img, lang='chi_sim')  # 使用'chi_sim'参数进行中文识别
    
20.    
    
21.     # 将识别后的文本添加到结果中
    
22.     result_text += text
    
23. 
    
24. # 将结果存储到 txt 文件中
    
25. with open('output.txt', 'w', encoding='utf-8') as file:
    
26.     file.write(result_text)

复制代码

注意：这只是一个基本的例子，可能需要根据你的需求进行适当的修改。在具体的环境中，你可能需要指定 Tesseract 的路径（通过 `pytesseract.pytesseract.tesseract_cmd`），并且在处理大型 PDF 文件时，你可能需要考虑内存管理。

求最佳答案

sfqxx

陶远航 发表于 2023-7-18 16:59
你这个月想要超我是不可能了

虽然我被取消资格了

是吗？

sfqxx

陶远航 发表于 2023-7-18 17:30
那你想怎么超过我

随便
不过你是脚本，这公平吗?

sfqxx

陶远航 发表于 2023-7-18 17:34
谁叫你没技术 写不出脚本

为什么要写脚本？你认为你写出脚本很厉害吗？对论坛很好吗？你不怕被封ip我怕

而且你的脚本也识别不出图片

sfqxx

陶远航 发表于 2023-7-18 17:40
事实证明，我用脚本最佳比你多，拿事实说话好不好

有本事你不用脚本最佳比我多，那才叫厉害

哦？是吗？好。

sfqxx

陶远航 发表于 2023-7-18 17:48
劝你不要去举报那些未解决的远古求助帖以获取最佳答案数量

不需要。

sfqxx

ssqchina 发表于 2023-7-18 21:40
from pdf2image import convert_from_path
import pytesseract
from PIL import Image

[b]这个错误信息是由于你的系统中没有安装 poppler ，或者 poppler 没有被添加到你的系统路径（PATH）中。

pdf2image 库需要 poppler 工具包来从 PDF 文件中提取图像。你需要确保你已经安装了 poppler 并且它已经被添加到了你的系统路径中。

对于 Windows 使用者，你可以按照以下步骤安装和配置 poppler ：

1.下载 poppler for Windows 的二进制文件。

2.下载完成后，解压缩文件。

3.将解压缩的文件夹的路径添加到你的系统环境变量 PATH 中。步骤如下：

   ·在计算机的属性中选择“高级系统设置”。
   ·点击“环境变量”按钮。
   ·在“系统变量”区域，滚动找到并选择 Path ，然后点击“编辑”按钮。
   ·在编辑环境变量窗口中，点击“新建”，然后粘贴你的 poppler 文件夹的路径。
   ·保存更改并重启你的开发环境（如命令提示符、PowerShell或PyCharm等）。

现在，你应该能够成功运行你的代码了。如果还有问题，请再次检查你的 poppler 安装和配置。

求最佳答案[/b]

sfqxx

ssqchina 发表于 2023-7-19 16:36
你的回复里有中文识别设置，给你最佳，但是我修改后的 只能识别小的PDF文件 大的文件出错，说超过容量

sfqxx

ssqchina 发表于 2023-7-19 16:36
你的回复里有中文识别设置，给你最佳，但是我修改后的 只能识别小的PDF文件 大的文件出错，说超过容量

这种错误通常是由于系统尝试处理的图像或PDF文件过大，超过了Tesseract OCR或Python库分配的内存限制所导致的。

有几种可能的解决方案：

1. **增加系统内存**：如果可能，增加你的系统内存可能是最直接的解决方案。

2. **分解大文件**：将大PDF文件分解为多个小文件，并单独进行处理。这样可以避免一次性加载过大的文件。例如，你可以修改`pdf_to_image`函数，让它每次只处理一部分页面，而不是整个PDF文件。

3. **调整图像质量**：减小从PDF中提取的图像的质量或分辨率。这将减少每个图像的大小，从而降低内存使用量。但是，请注意这可能会影响OCR的准确性。

4. **Tesseract配置**：你可能需要调整Tesseract的配置，以便于处理大文件。这可能需要修改Tesseract的源代码或配置文件。

5. **使用其他OCR工具**：如果以上方法都无法解决问题，你可能需要考虑使用其他OCR工具，如Amazon Textract，Google Cloud Vision OCR等，这些工具可能对大文件的处理能力更强。

例如，你可以尝试将PDF分页转换为图片的代码调整如下，每次只处理一部分页面：

1. # 将PDF转换为图片
   
2. def pdf_to_image(pdf_path, start_page=0, end_page=None):
   
3.     images = convert_from_path(pdf_path, first_page=start_page, last_page=end_page, poppler_path=poppler_path)
   
4.     return images

复制代码

然后在你的主函数中，分批处理每个页面：

1. if __name__ == '__main__':
   
2.     # 将'example.pdf'转换为图片
   
3.     start_page = 1
   
4.     end_page = start_page + 10  # 每次处理10页
   
5.     while True:
   
6.         images = pdf_to_image(r'f:\123.pdf', start_page, end_page)
   
7.         if not images:  # 如果没有更多的页面，退出循环
   
8.             break
   
9. 
   
10.         # 对图片进行OCR识别
    
11.         text_list = recognize_text(images)
    
12. 
    
13.         # 将识别结果保存到'example.txt'中
    
14.         save_text(text_list, r'f:\123.txt')
    
15. 
    
16.         start_page += 10
    
17.         end_page += 10

复制代码

这样，你的程序每次只处理10页，这应该能降低内存使用量。你可以根据你的系统资源和PDF文件的大小，调整每批处理的页面数。