使用python获取pdf上的文字(in win10)

环境版本： WIN10 | Python 3.6 | ImageMagick-6.9.9-38-Q8-x64-dll | Ghostscript 9.22 for Windows
整体思路：1.将PDF转为图片后进行文字识别 | 2.使用pdfminer解析pdf文件（准确率更高）

---

目录

---

1.下载安装tesseract

在 github.com/UB-Mannheim/tesseract/wiki下载tesseract-xxx.exe文件后安装即可。需要注意的是，在选择安装组件时点开“Language data” 选上你要识别的语言，不选的话只能识别英文哟。

---

2.安装pyocr、Wand、Pillow

pip install pyocr
pip install Wand
pip install Pillow

若python版本为2.x需在http://pythonware.com/products/pil/下载Python Imaging Library (PIL) exe文件安装。

---

3.下载安装ImageMagick、Ghostscript

Wand依赖ImageMagick，ImageMagick依赖Ghostscript，去下面链接下载安装即可。

ImageMagick：http://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-on-windows
注意不要下载 ImageMagick 7.x版本，wand不支持。

Ghostscript ：https://ghostscript.com/download/gsdnld.html

---

4.配置TESSDATA_PREFIX环境变量

变量值为tesseract安装目录，改完后重启一下项目。

---

5.修改pyocr包里的tesseract.py文件

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
#TESSERACT_CMD = 'tesseract.exe' if os.name == 'nt' else 'tesseract'
#TESSERACT_CMD = 'D:/Program Files (x86)/Tesseract-OCR/tesseract.exe' if os.name == 'nt' else 'tesseract'
TESSERACT_CMD = os.environ["TESSDATA_PREFIX"] + '/tesseract.exe' if os.name == 'nt' else 'tesseract'

---

6.编写并运行程序

前面的准备工作完成后，让我们来运行程序吧！

# -*- coding: utf-8 -*- py3不需要
from wand.image import Image
from PIL import Image as PI
import pyocr
import pyocr.builders
import io
import sys


def main():
    tools = pyocr.get_available_tools()
    if len(tools) == 0:
        print("No OCR tool found")
        sys.exit(1)
    tool = tools[0]
    print("Will use tool '%s'" % (tool.get_name()))

    langs = tool.get_available_languages()
    print("Available languages: %s" % ", ".join(langs))
    lang = langs[0]
    print("Will use lang '%s'" % (lang))

    req_image = []
    final_text = []

    image_pdf = Image(filename="./pdf_file/stackoverflow.pdf", resolution=400)
    image_jpeg = image_pdf.convert('jpeg')
    image_jpeg.save(filename='./pdf2img/stackoverflow.jpeg')
    for img in image_jpeg.sequence:
        img_page = Image(image=img)
        req_image.append(img_page.make_blob('jpeg'))
    for img in req_image:
        txt = tool.image_to_string(
            PI.open(io.BytesIO(img)),
            lang=lang,
            builder=pyocr.builders.TextBuilder()
        )
        final_text.append(txt)
    print(final_text)
    # for text in final_text:
    #     print(text)


if __name__ == '__main__':
    main()

生成的图片

运行结果

---

7.遇到的问题及解决方法

①运行程序时报错OSError: cannot find library; tried paths:

‘D:\Program Files\ImageMagick-7.0.7-Q16\CORE_RL_wand_.dll’,
‘D:\Program Files\ImageMagick-7.0.7-Q16\libMagickWand.dll’,
…
又去官网看了一下发现这段话：

Wand yet doesn’t support ImageMagick 7 which has several incompatible APIs with previous versions. For more details, see the issue #287.

卸载了之后重新安装ImageMagick-6.9.9-38-Q8-x64-dll版本问题解决。

②DelegateError: PDFDelegateFailed `一堆乱码（请跳过）

查了半天看到一哥们也用python3.6遇到这问题，但没有解决办法，心想切换成python2.7试试。如非需要切换python版本请看一条。
（在Anaconda3中实现多版本python Spyder共存）
全程在anaconda cmd中操作
1）先在conda中创建一个名为python2的环境，并下载对应版本python2.7
conda create –name python2 python=2.7
2）激活python2环境
activate python2
3）在python2的环境下下载spyder和Jupter notebook
conda install spyder
#conda install jupyter

③DelegateError: PDFDelegateFailed `系统找不到指定的文件。

’ @ error/pdf.c/ReadPDFImage/

之前是在pycharm中运行的，切换成python2.7后先在spyder试了一下，结果之前的乱码变成中文了。查了一下发现是因为没有安装ghostscript，安装之后问题解决。然后我又切换为python3.6，也不报错了。
Ghostscript ：https://ghostscript.com/download/gsdnld.html

④No OCR tool found或pytesseract.TesseractError:

(1, ‘Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/chi_sim.traineddata’)

安装Tesseract后需设置环境变量 TESSDATA_PREFIX并修改tesseract.py文件

# CHANGE THIS IF TESSERACT IS NOT IN YOUR PATH, OR IS NAMED DIFFERENTLY
#TESSERACT_CMD = 'tesseract.exe' if os.name == 'nt' else 'tesseract'
#TESSERACT_CMD = 'D:/Program Files (x86)/Tesseract-OCR/tesseract.exe' if os.name == 'nt' else 'tesseract'
TESSERACT_CMD = os.environ["TESSDATA_PREFIX"] + '/tesseract.exe' if os.name == 'nt' else 'tesseract'

D:\Program Files (x86)\Tesseract-OCR (供参考，以实际安装路径为准)
如果不设置环境变量，在安装盘之外的路径运行tesseract时会提示：
Please make sure the TESSDATA_PREFIX environment variable is set to the parent d irectory of your “tessdata” directory

注意设置环境变量后需重启项目

---

8.使用pdfminer解析pdf文件（准确率更高）

详见：
http://blog.csdn.net/u011389474/article/details/60139786
https://www.cnblogs.com/jamespei/p/5339769.html

①安装pdfminer3k

pip install pdfminer3k

②编写并运行程序

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

'''
 解析pdf 文本，保存到txt文件中
'''
path = r'./pdf_file/stackoverflow.pdf'


def parse():
    fp = open(path, 'rb')  # 以二进制读模式打开
    # 用文件对象来创建一个pdf文档分析器
    praser = PDFParser(fp)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 连接分析器 与文档对象
    praser.set_document(doc)
    doc.set_parser(praser)

    # 提供初始化密码
    # 如果没有密码 就创建一个空的字符串
    doc.initialize()

    # 检测文档是否提供txt转换，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDf 资源管理器 来管理共享资源
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释器对象
        interpreter = PDFPageInterpreter(rsrcmgr, device)

        # 循环遍历列表，每次处理一个page的内容
        for page in doc.get_pages():  # doc.get_pages() 获取page列表
            interpreter.process_page(page)
            # 接受该页面的LTPage对象
            layout = device.get_result()
            """ 
            这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, 
            LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性
            """
            for x in layout:
                if isinstance(x, LTTextBoxHorizontal):
                    with open(r'./pdf_file/stackoverflow.txt', 'a') as f:
                        results = x.get_text()
                        print(results)
                        f.write(results + '\n')


if __name__ == '__main__':
    parse()

---

参考链接：
https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/00140767171357714f87a053a824ffd811d98a83b58ec13000
https://www.cnblogs.com/zhiyong-ITNote/p/6852113.html
http://blog.csdn.net/HuangZhang_123/article/details/61920975
https://www.cnblogs.com/wzben/p/5930538.html
https://pythontips.com/2016/02/25/ocr-on-pdf-files-using-python
http://blog.topspeedsnail.com/archives/3571
https://www.cnblogs.com/yourstars/p/5849881.html
https://segmentfault.com/q/1010000007964197