电脑系统：win10专业版

不能访问需要魔法上网

安装tesseract

在GitHub上下载:tesseract下载地址

找到自己电脑版本下载

双击安装，一路next，除了这一步

第三个加号点开，把带Chinese的都勾选

安装完成后配置环境，Win R输入sysdm.cpl

依次点击【高级】 【 环境变量】 【系统变量的Path】 【新建】

输入你的tesseract安装路径

点击确认后返回

安装python库

pip install pytesseract pdf2image Pillow 

安装poppler

在GitHub上下载：poppler下载地址

 下载到本地后解压缩，找到bin文件夹

在环境变量的系统变量添加

确认后重启

测试

准备一个pdf文件，在代码同级别目录创建一个空文件夹“pdf_files”

import pytesseract
from pdf2image import convert_from_path
import os
import re# 设置tesseract的路径（Windows系统）
# 如果你使用的是Windows，确保Tesseract的安装路径已经加入到环境变量中，或者手动指定路径
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'# 批量处理PDF文件并使用OCR提取文本
def pdf_to_text(pdf_path, output_txt_path):# 将PDF转换为图片（每页一个图片）images = convert_from_path(pdf_path, dpi=300)full_text = ""# 遍历每一页的图像for page_num, image in enumerate(images):print(f"Processing page {page_num + 1}...")# 使用Tesseract OCR识别图像中的文本text = pytesseract.image_to_string(image, lang='chi_tra')  # 你可以选择其他语言包，例如'chi_sim'（简体中文）# 将提取的文本加入到总文本中full_text += f"Page {page_num + 1}:\n"full_text += text + "\n\n"# 保存提取的文本到文件with open(output_txt_path, 'w', encoding='utf-8') as f:f.write(full_text)print(f"Text extraction complete. Text saved to {output_txt_path}")# 处理多个PDF文件
def process_pdfs(input_folder, output_folder):# 获取所有PDF文件pdf_files = [f for f in os.listdir(input_folder) if f.lower().endswith('.pdf')]for pdf_file in pdf_files:pdf_path = os.path.join(input_folder, pdf_file)txt_filename = re.sub(r'\.pdf$', '.txt', pdf_file)txt_path = os.path.join(output_folder, txt_filename)pdf_to_text(pdf_path, txt_path)if __name__ == "__main__":input_folder = 'pdf_files'  # PDF文件所在目录output_folder = 'txt_files'  # 提取文本的输出目录if not os.path.exists(output_folder):os.makedirs(output_folder)process_pdfs(input_folder, output_folder)

转换的结果会在"txt_files"里，这个文件夹会自动给你创建，在代码23行需要根据pdf的字体设置语言：eng（英文）、chi_sim（繁体）、chi_tra（简体中文）

参考文章

tesseract安装

poppler安装