from PIL import Image import pytesseract import fitz import numpy as np import cv2 pdf_file_path = r"E:\PyCharm\test\rename\1.pdf" pdf_document = fitz.open(pdf_file_path) scale_factor = 2 ocr_language = 'chi_sim' for page_number in range(pdf_document.page_count): page = pdf_document.load_page(page_number) # 将页面转换为图像 pix = page.get_pixmap(dpi=300) # 将图像数据转换为 PIL Image 对象 img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples) # 将 PIL Image 转换为 OpenCV 格式的灰度图像 img_cv = np.array(img) img_cv = cv2.cvtColor(img_cv, cv2.COLOR_RGB2BGR) # 转换颜色空间 img_gray = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY) # 使用 pytesseract 进行 OCR 识别 text = pytesseract.image_to_string(img_gray, lang=ocr_language, config='--psm 4') # 保存识别结果到文本文件 text_file_name = f"page_{page_number + 1}.txt" with open(text_file_name, "w", encoding="utf-8") as text_file: text_file.write(text) pdf_document.close()在运行

<think>好的，我现在要解决用户的问题：如何使用PIL、pytesseract、fitz和OpenCV库从PDF中通过OCR提取中文文本（chi_sim）并保存至文本文件。首先，我需要理清楚整个流程，并确保每个步骤都正确无误。 首先，用户提到了几个关键的库：PIL（或Pillow）、pytesseract、fitz（PyMuPDF）和OpenCV。这些都是处理PDF和图像识别常用的库。我需要确认这些库的安装和配置是否正确，特别是Tesseract的中文语言包是否安装。 第一步，安装必要的库和环境。用户提供的引用中提到了安装Tesseract OCR和相关的Python库。例如，在Windows下需要下载Tesseract安装程序，并添加到系统路径。同时，中文语言包chi_sim需要下载并放到Tesseract的tessdata目录下。这一步非常重要，否则在运行时会出现找不到语言文件的错误，比如引用[1]中提到的环境变量问题。 接下来是处理PDF文件。用户需要将PDF的每一页转换为图像，因为OCR处理通常基于图像。这里使用PyMuPDF（fitz）来打开PDF文件，逐页渲染成图像。需要注意的是，渲染时的分辨率（DPI）设置，高DPI可以提高识别准确率，但也会增加处理时间和内存使用。引用[2]中提到提取PDF页面为图像，这一步是关键。 然后，处理图像。可能需要对图像进行预处理，比如使用OpenCV进行灰度化、二值化、降噪等操作，以提高OCR的准确性。例如，将图像转为灰度图可以减少计算量，二值化可以增强文字对比度。引用[3]中的图像处理库OpenCV或Pillow在这里派上用场。 接下来是调用pytesseract进行OCR识别。这里需要指定语言为中文（chi_sim），并且确保TESSDATA_PREFIX环境变量正确指向tessdata目录。用户可能遇到的环境问题，如引用[1]中的错误，需要在这里特别注意。代码中需要正确配置pytesseract的路径，特别是在Windows系统中，可能需要指定Tesseract的执行文件路径。 最后，将识别出的文本保存到文件中。需要注意的是文本的编码，确保中文字符正确保存。同时，处理过程中可能需要处理异常，比如某些页面无法渲染或识别，这时候需要捕获异常并记录日志，避免程序崩溃。 现在，整合这些步骤到Python代码中。首先导入必要的库，检查依赖是否安装。然后定义处理PDF的函数，逐页转换为图像，预处理图像，调用Tesseract识别，最后保存文本。测试代码时，需要用一个包含中文的扫描版PDF进行验证，查看输出是否正确，是否有乱码或识别错误的情况。 可能遇到的问题包括：Tesseract未正确安装，语言包缺失，图像渲染质量差导致识别率低，或者内存不足处理大文件时崩溃。针对这些问题，需要在代码中添加错误处理，提示用户检查环境配置，或者优化图像处理步骤，比如分块处理大图像。 此外，用户可能需要批量处理PDF文件，可以考虑添加遍历文件夹的功能，如引用[1]中提到的OS库遍历PDF文件。但根据当前问题，用户可能只需要处理单个文件，所以代码示例中可以专注于单个文件的处理流程。 总结下来，整个流程分为安装配置环境、PDF转图像、图像预处理、OCR识别、保存结果。每一步都需要仔细处理，特别是环境配置和图像处理部分，直接影响OCR的效果。现在将这些思考整理成步骤清晰的代码和解释，帮助用户解决问题。</think>以下是使用Python从PDF中通过OCR提取中文文本的完整解决方案： ### 一、环境准备 1. 安装依赖库（需提前安装Python 3.7+）： ```bash pip install pytesseract pillow opencv-python fitz PyMuPDF ``` 2. 安装Tesseract OCR引擎： - Windows：下载安装包后需勾选中文语言包[^1] - macOS：`brew install tesseract-lang` - Linux：`sudo apt-get install tesseract-ocr-chi-sim` ### 二、核心代码实现 ```python import fitz import pytesseract import cv2 import os from PIL import Image def pdf_to_text(pdf_path, output_txt="output.txt"): # 配置Tesseract路径（Windows需要设置） # pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' doc = fitz.open(pdf_path) text = "" for page_num in range(len(doc)): page = doc.load_page(page_num) pix = page.get_pixmap(dpi=300) # 设置高分辨率DPI[^2] # 转换为OpenCV图像格式 img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples) img_cv = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR) # 图像预处理 gray = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY) thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1] # OCR识别中文 config = '--oem 3 --psm 6 -l chi_sim' # 使用中文语言包[^3] page_text = pytesseract.image_to_string(thresh, config=config) text += f"\n第{page_num+1}页内容:\n{page_text}\n" with open(output_txt, "w", encoding="utf-8") as f: f.write(text) return text # 使用示例 pdf_to_text("input.pdf", "output.txt") ``` ### 三、关键步骤说明 1. **PDF转图像**： - 使用`fitz`（PyMuPDF）将PDF页面转为300DPI的高清位图 - 分辨率建议设置为300-600 DPI[^2] 2. **图像预处理**： - 灰度化处理：`cv2.cvtColor()` - 二值化处理：使用OTSU算法自动计算阈值 - 可选增强操作：降噪、锐化、对比度调整 3. **OCR识别**： - 指定中文语言包：`-l chi_sim` - OEM选择LSTM引擎：`--oem 3` - 页面分割模式：`--psm 6`（假设单列文本） ### 四、常见问题解决 1. **中文识别乱码**： - 确认已安装`chi_sim.traineddata`语言文件 - 检查文件路径是否包含中文或特殊字符 2. **识别率低**： ```python # 可添加以下预处理 blur = cv2.GaussianBlur(gray, (3,3), 0) denoised = cv2.fastNlMeansDenoising(blur, h=10) # 降噪处理[^4] ``` 3. **处理大文件内存不足**： - 分页处理，及时释放内存 - 添加`gc.collect()`手动回收内存