[已解决]类似图片格式的PDF该如何转txt文件啊？

ssqchina

类似图片格式的PDF该如何转txt文件啊？就是pdf文件用微软edge打开，都不能搜索里面的文字，应该是图片格式的，麻烦各位高手帮忙！！！

最佳答案

月排行榜 / 总排行榜

sfqxx

2023-7-18 16:58:37

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

跳转到最佳答案楼层

陶远航

如果你遇到了类似图片格式的PDF，即PDF文件里的文字无法被搜索或复制，那么可能是因为这些文字被保存为图像形式。在这种情况下，你需要进行光学字符识别（OCR）来将图像转换为可编辑的文本。

有很多工具可以帮助你完成这个任务。以下是一种常见的方法：

1. 安装OCR软件：首先，你需要安装一款OCR软件，例如Adobe Acrobat、ABBYY FineReader或Tesseract OCR等。这些工具都能够将图像中的文字转换为可编辑的文本。

2. 打开PDF文件：使用所选择的OCR软件打开图片格式的PDF文件。在大多数软件中，你可以选择"打开"或"导入"选项，并选择需要转换的PDF文件。

3. 进行OCR转换：一旦打开了PDF文件，你需要运行OCR功能来进行转换。具体步骤可能会因软件而异，但通常你可以在工具栏或菜单中找到OCR选项。请按照软件提供的指示完成OCR转换。

4. 保存为文本文件：完成OCR转换后，你可以将结果保存为文本文件。在大多数OCR软件中，你可以选择"另存为"或"导出"选项，并选择保存为普通文本文件（例如.txt或.doc）。

请记住，OCR转换的准确性取决于图像质量和文字清晰度。因此，如果图片质量较低或文本不清晰，可能会导致转换结果不够准确。你可以尝试使用高分辨率的图像或调整OCR软件的设置来改善转换结果。另外，一些OCR软件还提供手动编辑功能，使你能够修正任何转换错误。

希望这些信息对你有帮助！

isdkz

你的问题是关于将类似图片格式的PDF转化为txt文件。这类PDF一般是经过图像扫描得到的，无法直接提取其中的文本信息。为了解决这个问题，你需要一个技术叫做OCR（Optical Character Recognition，光学字符识别）。

OCR技术可以将图片中的文本转化为可编辑、可搜索的格式。在网络上有许多工具和服务可以实现OCR，其中一些是免费的，比如Google的Tesseract。

以下是一个使用Tesseract将PDF转化为txt的基本步骤：

1. 首先，你需要安装Tesseract。在ubuntu系统中，可以通过以下命令安装：

1. sudo apt install tesseract-ocr

复制代码

2. 然后，你需要将PDF文件转化为图片。可以使用ImageMagick工具，通过以下命令实现：

1. convert -density 300 yourfile.pdf -depth 8 -strip -background white -alpha off yourfile.png

复制代码

这条命令将会生成一张或多张PNG图片，每张图片对应PDF文件的一页。

3. 最后，使用Tesseract进行OCR：

1. tesseract yourfile.png outputbase

复制代码

这条命令会生成一个名为“outputbase.txt”的文件，其中包含了图片中的文本信息。

注意，这些步骤仅适用于英文PDF。如果你的PDF是中文的，你可能需要下载并安装适用于中文的Tesseract数据文件。

此外，这个方法并不是100%可靠，识别的准确度取决于原始文档的质量和清晰度。你可能需要手动检查和修改结果。

如果你不熟悉命令行操作或者对此过程有更高的要求，可以考虑使用付费的OCR服务，例如Adobe Acrobat Pro和ABBYY FineReader等。

ssqchina

陶远航 发表于 2023-7-18 16:37
如果你遇到了类似图片格式的PDF，即PDF文件里的文字无法被搜索或复制，那么可能是因为这些文字被保存为图像 ...

python如何实现？

ssqchina

isdkz 发表于 2023-7-18 16:37
你的问题是关于将类似图片格式的PDF转化为txt文件。这类PDF一般是经过图像扫描得到的，无法直接提取其中的 ...

那就是python还不能完美解决这个问题

陶远航

ssqchina 发表于 2023-7-18 16:49
python如何实现？

你可以使用Python中的OCR（光学字符识别）库来将图片格式的PDF转换为可搜索的文本文件。OCR库可以帮助你将图片中的文字提取出来。

下面是一个使用Python的pytesseract库来进行OCR的示例代码：

首先，确保你已经安装了pytesseract库和Tesseract OCR引擎。你可以使用以下命令来安装它们：

1. pip install pytesseract
   
2. pip install tesseract

复制代码

然后，使用以下代码将PDF转换为文本文件：

1. import pytesseract
   
2. from pdf2image import convert_from_path
   
3. 
   
4. def pdf_to_txt(pdf_path, txt_path):
   
5.     # 将PDF转换为图像列表
   
6.     images = convert_from_path(pdf_path)
   
7. 
   
8.     # 创建一个空的文本文件
   
9.     with open(txt_path, 'w') as f:
   
10.         # 对每个图像应用OCR并将结果写入文本文件
    
11.         for i, image in enumerate(images):
    
12.             text = pytesseract.image_to_string(image, lang='eng')
    
13.             f.write(f'Page {i+1}:\n\n{text}\n\n')
    
14. 
    
15.     print(f'转换完成！文本文件保存在：{txt_path}')
    
16. 
    
17. # 使用示例
    
18. pdf_path = 'path/to/your/pdf.pdf'
    
19. txt_path = 'path/to/save/txt/file.txt'
    
20. pdf_to_txt(pdf_path, txt_path)

复制代码

请确保你已经正确指定了PDF文件的路径(pdf_path)以及要保存的文本文件的路径(txt_path)。运行后，程序将逐页读取图像、进行OCR，并将结果写入文本文件。

需要注意的是，OCR可能无法完美地识别所有文字，特别是对于较复杂的或低质量的图像。在使用OCR转换PDF时，偶尔可能会出现一些错误或误读的情况。如果需要更高的准确性，你可以尝试使用其他OCR库或在线OCR服务。

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

陶远航

sfqxx 发表于 2023-7-18 16:58
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 ...

你这个月想要超我是不可能了

虽然我被取消资格了

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？

陶远航

sfqxx 发表于 2023-7-18 17:29
是吗？

那你想怎么超过我

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?

陶远航

sfqxx 发表于 2023-7-18 17:33
随便
不过你是脚本，这公平吗?

谁叫你没技术 写不出脚本

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

陶远航

sfqxx 发表于 2023-7-18 17:38
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 ...

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

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。

陶远航

sfqxx 发表于 2023-7-18 17:46
哦？是吗？好。

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

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。

陶远航

sfqxx 发表于 2023-7-18 17:49
不需要。

那你要用什么方法 拿出来分享分享

liuhongrun2022

pdf转word行不行：
https://fishc.com.cn/thread-227617-1-1.html

ssqchina

陶远航 发表于 2023-7-18 16:57
你可以使用Python中的OCR（光学字符识别）库来将图片格式的PDF转换为可搜索的文本文件。OCR库可以帮助你 ...

import pytesseract
from pdf2image import convert_from_path

def pdf_to_txt(pdf_path, txt_path):
    # 将PDF转换为图像列表
    images = convert_from_path(pdf_path)

    # 创建一个空的文本文件
    with open(txt_path, 'w') as f:
        # 对每个图像应用OCR并将结果写入文本文件
        for i, image in enumerate(images):
            text = pytesseract.image_to_string(image, lang='eng')
            f.write(f'Page {i+1}:\n\n{text}\n\n')

    print(f'转换完成！文本文件保存在：{txt_path}')

# 使用示例
pdf_path = 'f:\\'+input('请输入要转换的文件名')+'.pdf'
txt_path = 'f:\\'+input('请输入要保存的文件名')+'.txt'
pdf_to_txt(pdf_path, txt_path)


错误信息
请输入要转换的文件名456
请输入要保存的文件名789
Traceback (most recent call last):
  File "C:\Users\ssq\AppData\Roaming\Python\Python39\site-packages\pdf2image\pdf2image.py", line 568, in pdfinfo_from_path
    proc = Popen(command, env=env, stdout=PIPE, stderr=PIPE)
  File "C:\Program Files (x86)\Python39-32\lib\subprocess.py", line 951, in __init__
    self._execute_child(args, executable, preexec_fn, close_fds,
  File "C:\Program Files (x86)\Python39-32\lib\subprocess.py", line 1420, in _execute_child
    hp, ht, pid, tid = _winapi.CreateProcess(executable, args,
FileNotFoundError: [WinError 2] 系统找不到指定的文件。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "D:\Python\pdf2ocr.py", line 20, in <module>
    pdf_to_txt(pdf_path, txt_path)
  File "D:\Python\pdf2ocr.py", line 6, in pdf_to_txt
    images = convert_from_path(pdf_path)
  File "C:\Users\ssq\AppData\Roaming\Python\Python39\site-packages\pdf2image\pdf2image.py", line 127, in convert_from_path
    page_count = pdfinfo_from_path(
  File "C:\Users\ssq\AppData\Roaming\Python\Python39\site-packages\pdf2image\pdf2image.py", line 594, in pdfinfo_from_path
    raise PDFInfoNotInstalledError(
pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH?