python实现图片式PDF转可搜索word文档[OCR](已打包exe文件)

目录

 1、介绍

1.1、痛点

1.2、程序介绍

2、安装方式

2.1、必要环节

2.2、脚本安装

2.2.1、不太推荐的方式

2.2.2、节约内存的方式

2.3、⭐完整版安装

3、使用

3.1、最终文件目录

3.2、主程序

3.2.1、绝对路径

3.2.2、是否为书籍

3.2.3、⭐截取区域

3.2.4、⭐进程数

3.3、运行完成

3.4、保存路径

4、代码详解

4.1、思路

4.2、交互

4.3、提取图片

4.4、裁剪图片

4.5、删除不必要的内容

4.5、⭐OCR处理

4.5.1、处理裁剪后的图片

4.5.2、写入文件

5、⭐完整源代码

---

作者介绍：双非本科大三网络工程专业在读，阿里云专家博主，专注于Java领域学习，擅长web应用开发、数据结构和算法，初步涉猎Python人工智能开发和前端开发。
主页：@逐梦苍穹

所属专栏：项目
您的一键三连，是我创作的最大动力

 1、介绍

程序下载：

链接：https://pan.baidu.com/s/1kK1cBRwPMgnWBP2L43rs9Q?pwd=1234

提取码：1234

1.1、痛点

这是一个处理图片式PDF文件转换为可搜索的文字式word文档的程序，该程序是为了解决如下痛点：

①各软件的识别付费

②网页在线转换有大小限制

③开源的程序识别准确率略有不足(这个是比较有名的开源软件umi-ocr，准确率能达到百分之95)

1.2、程序介绍

这个程序最终是打包成了exe可执行程序(后面会详细讲解)，没有做GUI图形化界面，用户和程序的交互在命令行窗口执行。

这个项目涉及的技术点包括：

1. 文件操作：使用Python的os和shutil模块进行文件夹和文件的创建、删除和操作。这些模块提供了对文件系统的访问和操作，允许您在项目中进行文件和文件夹的管理。
2. 图像处理：使用OpenCV和PIL库进行图像的裁剪、保存和处理。OpenCV是一个广泛用于计算机视觉任务的开源计算机视觉库，而PIL（Python Imaging Library）则提供了处理图像的基本功能，例如打开、保存、裁剪和调整图像大小。
3. PDF处理：使用PyMuPDF（fitz）库进行PDF文档的处理和图像提取。PyMuPDF是一个用于处理PDF文件的Python库，可以用于提取PDF中的文本、图像等内容，并对PDF文档进行各种操作。
4. 并发编程：使用Python的线程和线程池进行并发处理，加快图像处理和OCR识别速度。线程和线程池允许程序在同一时间执行多个任务，提高了程序的效率，尤其在需要处理大量图像或进行OCR识别时尤为重要。
5. OCR识别：使用cnocr库进行中文OCR识别，并将识别结果写入Word文档。cnocr是一个用于中文OCR识别的Python库，能够对中文文本进行识别，这对于处理包含中文的文档或图像非常有用。
6. 用户输入处理：使用Python的input函数接收用户输入，根据用户输入执行不同的处理逻辑。这样可以使程序更加灵活，能够根据用户需求进行不同的操作。
7. 异常处理：使用try-except结构进行异常处理，确保程序在出现异常时能够正常处理并给出相应提示。这有助于提高程序的稳定性和可靠性，尤其在处理文件和网络请求时非常重要。

这个项目主要用于将PDF文档中的图片提取出来，并对提取的图片进行裁剪、OCR识别，最后将识别结果写入Word文档。通过结合多种技术，实现了从PDF文档到图像处理再到文本识别的全流程自动化。

2、安装方式

这个程序一共有两种安装方式。

无论哪种安装方式，都是即装即用，也就是说，当年不需要的时候，把这个程序所在的文件夹整个删除即可，不会有残留。

需要的内容都存入百度网盘了。下载对应的zip压缩包解压即可。

OCR-program-transition-all.zip是完整版，直接就可以用！

OCR-program-transition-empty-bat.zip是脚本安装版，需要用户按照指引来操作，才可使用。

推荐使用完整版

2.1、必要环节

这个程序有两个依赖项，需要手动安装！(也在网盘内)。即：

安装过程一路默认即可。

安装后：

2.2、脚本安装

目录结构如下：

2.2.1、不太推荐的方式

这个项目需要依赖到C++的一些库，根据报错信息，是建议直接安装C++编译器Visual Studio：

虽然能做到完全解决这个报错，但是很大的缺点是：这玩意太大了……

2.2.2、节约内存的方式

这种方式，能不能成功，看点运气…

第一步：先安装上文提到的两个exe文件

第二步：运行“初始化脚本-1”文件

第三步：运行“初始化脚本-2”文件，此文件运行过程会非常久，因为这是在该文件夹下面安装项目所需依赖环境。不出意外的话，第三步安装到最后一个的时候，会报错，提示缺少C++ 14.0。

第四步：此时需要点开上文提到的两个装好的程序，右键，选择修改：

点击修复：

然后重启。

第五步：重启后，重复第三步到第五步的操作(此时第三步的运行速度会很快了)，连续操作超过三次，就…建议直接下载完整版吧…（这地方有点玄学，不是百分百能解决…程序作者本人整了三天了！程序就像捉摸不透的人一样，有时成功有时失败）

2.3、⭐完整版安装

完整版的目录，即是下文的最终文件目录。完整版则非常简单，下载-解压-运行主程序一气呵成。

请看下文分解。

3、使用

3.1、最终文件目录

3.2、主程序

找到主程序：

双击运行，按照交互窗口填写对应的内容(如果长时间没有响应，请按一下空格键即可)：

3.2.1、绝对路径

目标文档，鼠标右键，点击安全，即可看见绝对路径：

3.2.2、是否为书籍

作者认为，如果是书籍的话，最好把文档前面的"封面+目录"以及末尾倒数几页的"致谢"内容去除，以提高正确率和可阅读性。该程序不识别格式，所以这样能最大化得到文字信息。

3.2.3、⭐截取区域

如果这是一个电子书的PDF文档，为了识别文字的结果更加准确，方便读者搜索查阅内容，作者认为可以把每一页书的顶部区域的标注去掉，例如这种区域：

这种区域与正文内容无关，可以去掉。

那么如何确定好去掉区域的所占比例呢？下面细说：

使用微信截图功能，确定这个图片的“最大高度”，再确定截取区域的“高度”，二者相除，即可得到比例，图解如下：

3.2.4、⭐进程数

进程数决定了这个多线程程序的执行速度，但也不是数字填的越高越好。

下面给出几个数值参考：

游戏本->20线程

全能本->10-18线程

轻薄本->建议12线程以下

3.3、运行完成

运行完成的结果显示：转换后的文字列表内容+提示信息：

3.4、保存路径

程序运行完成后，默认的保存路径为PDF文件的同目录下。

4、代码详解

4.1、思路

需求是图片式PDF识别转换为文字式可搜索word:

第一步：告诉用户这个产品->介绍

第二步：用户输入图片式PDF的路径(需要的是绝对路径)

第三步：该PDF文档是否是书籍，是：删除非正文的页面(封面、目录、结尾)->在后续步骤执行删除；否，不执行删除操作

第四步：询问是否需要截取图片区域(是，输入截取的比例；否，截取比例制为0)->立即执行->提取到新的文件夹

第五步：用户输入本次运行过程中用到的进程数(游戏本可以输入20，全能本10-15，其他建议10甚至是8以下)

第六步：删除不要的图片区域

第七步：开始处理，把结果写入到PDF同路径下删除过程性文件

第八步：删除过程性文件,把处理结果和处理后的文件路径告诉用户

4.2、交互

4.3、提取图片

提取图片式PDF文件的每一页，保存到一个临时图片文件夹下面：

4.4、裁剪图片

4.5、删除不必要的内容

4.5、⭐OCR处理

4.5.1、处理裁剪后的图片

4.5.2、写入文件

5、⭐完整源代码

代码即注释：

# -*- coding: utf-8 -*-
# @Author:逐梦苍穹
# @Time: 2024/1/18 1:23
import os
import cv2
import fitz
import shutil
import GetImageWithPdf as getImage_xzl
import CutImageWithFolder as cutImage_xzl
import DeleteImage as deleteImage_xzl
import OCR_main as OCR_MAIN_xzl
import threading
from concurrent.futures import ThreadPoolExecutor, as_completed
from cnocr import CnOcr
from tqdm import tqdm
from PIL import Image
import write_word_OCR as write_word_OCR_xzl
from docx import Document


def mkdir(folder_path):
    os.makedirs(folder_path, exist_ok=True)


def get_max_folder_number(folder_path):
    image_files = [f for f in os.listdir(folder_path) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.gif', '.bmp'))]
    return len(image_files)


def crop_top_and_save(args):
    i, image_path, output_path, crop_percentage = args
    image = cv2.imread(image_path)
    height = image.shape[0]
    crop_pixels = int(height * crop_percentage)
    cropped_image = image[crop_pixels:, :]
    cv2.imwrite(output_path, cropped_image)
    print(f"Image {i + 1} cropped and saved: {output_path}")


def startCutImage(input_folder, output_folder, crop_percentage, max_workers_input):
    mkdir(output_folder)
    max_folder_number = get_max_folder_number(input_folder)
    with ThreadPoolExecutor(max_workers=max_workers_input) as executor:
        args_list = [
            (i, os.path.join(input_folder, f'{i + 1}.jpg'), os.path.join(output_folder, f'{i + 1}.jpg'), crop_percentage)
            for i in range(max_folder_number)
        ]
        executor.map(crop_top_and_save, args_list)


def get_max_folder_number(folder_path):
    image_files = [f for f in os.listdir(folder_path) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.gif', '.bmp'))]
    return len(image_files)


def delete_images(folder_path, start_index, end_index):
    for i in range(start_index, end_index + 1):
        imageStr = str(i) + ".jpg"
        file_path = os.path.join(folder_path, imageStr)
        os.remove(file_path)
        print(f"Deleted: {file_path}")


def startDeleteImage(folder_path, end_index, back_start_index_input):
    max_folder_number = get_max_folder_number(folder_path)
    if max_folder_number > 0:
        start_index = 1
        back_start_index = max_folder_number - back_start_index_input + 1
        back_end_index = max_folder_number
        delete_images(folder_path, start_index, end_index)
        delete_images(folder_path, back_start_index, back_end_index)
    else:
        print("No valid image files found.")


def convert_page_to_image(pdf_path, output_folder, page_number):
    pdf_document = fitz.open(pdf_path)
    page = pdf_document[page_number]
    image_list = page.get_images(full=True)
    for img_index, img_info in enumerate(image_list):
        image_index = img_info[0]
        base_image = pdf_document.extract_image(image_index)
        image_bytes = base_image["image"]
        image_filename = os.path.join(output_folder, f"{page_number + 1}.jpg")
        with open(image_filename, "wb") as image_file:
            image_file.write(image_bytes)
    pdf_document.close()


def pdf_to_images(pdf_path, output_folder, num_workers):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)
    pdf_document = fitz.open(pdf_path)
    total_pages = pdf_document.page_count
    with ThreadPoolExecutor(max_workers=num_workers) as executor:
        futures = [executor.submit(convert_page_to_image, pdf_path, output_folder, page_number)
                   for page_number in range(total_pages)]
        for future in tqdm(futures, desc="Converting pages", total=total_pages):
            future.result()


def get_max_folder_number(folder_path):
    image_files = [f for f in os.listdir(folder_path) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.gif', '.bmp'))]
    return len(image_files)


def ocr_and_append(image_str, startList, event, lock):
    pagelist = []
    image_number = int(os.path.basename(image_str).split('.')[0])
    image = Image.open(image_str)
    ocr = CnOcr(debug=False)
    res = ocr.ocr(image)
    for j in range(len(res)):
        pagelist.append(res[j]['text'])
    with lock:
        startList[image_number - 11] = pagelist
    print(f"Image {image_number} OCR completed.")
    event.set()


def process_images_with_ocr(start, end, startList, event, max_workers_input, lock):
    with ThreadPoolExecutor(max_workers=max_workers_input) as executor:
        futures = [executor.submit(ocr_and_append, f'output-image-cut/{i}.jpg', startList, event, lock) for i in
                   tqdm(range(start, end + 1), desc="OCR Processing")]
        for future in as_completed(futures):
            future.result()


def startOCR(file_folder, test_end_index, word_file_output_path, max_workers_input):
    max_folder_number = get_max_folder_number(file_folder)
    start = 1 + test_end_index
    end = test_end_index + max_folder_number
    startList = [''] * max_folder_number
    lock = threading.Lock()
    event = threading.Event()
    process_images_with_ocr(start, end, startList, event, max_workers_input, lock)
    event.wait()
    print(len(startList))
    for i in startList:
        print(len(i))
    print(startList)
    write_word_OCR_xzl.startWriteWordFile(word_file_output_path, startList)


def startWriteWordFile(word_file_path, listPages):
    doc = Document()
    for i in listPages:
        write_list_to_word(word_file_path, i, doc)
        doc.add_page_break()
    doc.save(word_file_path)


def write_list_to_word(word_file, my_list, doc):
    endList = []
    for item in my_list:
        item = item.strip()
        if len(item) < 10:
            if endList != None and len(endList) > 0:
                doc.add_paragraph("".join(endList))
                endList = []
            doc.add_paragraph(item)
        else:
            endList.append(item)
            if item == my_list[-1]:
                doc.add_paragraph("".join(endList))
                endList = []


def main():
    try:
        crop_percentage = 0.0
        end_index = 0
        back_start_index_input = 0
        print("==========================")
        print("这是一个OCR识别程序，作者CSDN@逐梦苍穹，该程序不做商用请切记！")
        print("==========================")
        pdf_file_path = str(input("请输入PDF文件的绝对路径："))
        print("该PDF文档是否是书籍?")
        isBookPdf = int(input("(是，请输入1；否，请输入0):"))
        if isBookPdf == 1:
            print("输入要删除非正文的页面(封面、目录、结尾)")
            end_index = int(input("需要删除该文档的前几页: "))
            back_start_index_input = int(input("需要删除该文档的倒数前几页: "))
        print("询问是否需要截取图片区域?")
        isCutImage = int(input("(是，请输入1；否，请输入0):"))
        if isCutImage == 1:
            crop_percentage = float(input("请输入截取图片区域的纵向比例："))
        max_workers = int(input("请输入本次运行过程中想要使用的进程数："))
        if max_workers <= 0:
            max_workers = 1
    except Exception as e:
        print("参数有误,报错信息如下：", e)
    try:
        getImage_xzl.pdf_to_images(pdf_file_path, 'output-image', max_workers)
        if isCutImage == 1:
            cutImage_xzl.startCutImage('output-image', 'output-image-cut', crop_percentage, max_workers)
        if isBookPdf == 1:
            deleteImage_xzl.startDeleteImage('output-image-cut', end_index, back_start_index_input)
        file_name = os.path.splitext(os.path.basename(pdf_file_path))[0]
        directory_path = os.path.dirname(pdf_file_path)
        word_file_path = directory_path + '\\' + file_name + '(OCR_XZL).docx'
        OCR_MAIN_xzl.startOCR(r'output-image-cut', end_index, word_file_path, max_workers)
    except Exception as e:
        print("处理过程出错，报错信息如下：", e)
    try:
        delete_path_1 = r"output-image"
        delete_path_2 = r"output-image-cut"
        shutil.rmtree(delete_path_1)
        shutil.rmtree(delete_path_2)
        print(f"Folder '{delete_path_1}' successfully removed.")
        print(f"Folder '{delete_path_2}' successfully removed.")
        print("OCR处理完成！")
    except Exception as e:
        print("删除过程性文件出错，原因如下：", e)


if __name__ == '__main__':
    main()