python提取pdf文件文字（OCR）
目录
前言
一、引用的库
二、提取文字
三、保存文字
四、运行
总结
前言
本文主要讲述如何利用python提取pdf文件中的文字，分为引用的库，提取文字，保存文字，运行，总结这几部分。本文为分总结构，文末有总结，相关解释可以参考前文分部分。感谢你点开此文，祝顺利。
一、引用的库
import pdfplumber确保已安装以上的库，不然运行会报错
#安装库可以用清华的镜像网站（可能会更新，可以上官网查询地址）
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package二、提取文字
def pdf_to_text(pdf_path):
"""
从 PDF 文件中提取文本内容。
Args:
pdf_path (str): PDF 文件的路径。
Returns:
str: 提取的文本内容。
"""
text = ''
# 打开PDF文件
with pdfplumber.open(pdf_path) as pdf:
# 遍历每一页
for page in pdf.pages:
# 提取文本，并添加到text变量中
text += page.extract_text()
# 移除文本中的换行符（根据需求设置）
text = text.replace('\n', '')
return text其中'yourfile'替换成你的文件的地址。
三、保存文字
def savewords():
"""
将 PDF 文件中提取的文本保存到文本文件中。
"""
# 输入PDF文件路径
pdf_path = 'yourfile'
# 调用pdf_to_text函数进行文字提取
extracted_text = pdf_to_text(pdf_path)
# 将提取的文字写入到txt文件中
with open('extracted_text.txt', 'w', encoding='utf-8') as file:
file.write(extracted_text)
print("Text extracted successfully!")注意，保存文字和提取文字是不可分割的两个“方法”，在写代码时要一起复制粘贴。此处分开是为了容易理解
四、运行
if __name__ == "__main__":
savewords()总结
import pdfplumber
def pdf_to_text(pdf_path):
"""
从 PDF 文件中提取文本内容。
Args:
pdf_path (str): PDF 文件的路径。
Returns:
str: 提取的文本内容。
"""
text = ''
# 打开PDF文件
with pdfplumber.open(pdf_path) as pdf:
# 遍历每一页
for page in pdf.pages:
# 提取文本，并添加到text变量中
text += page.extract_text()
# 移除文本中的换行符（根据需求设置）
text = text.replace('\n', '')
return text
def savewords():
"""
将 PDF 文件中提取的文本保存到文本文件中。
"""
# 输入PDF文件路径
pdf_path = 'yourfile'
# 调用pdf_to_text函数进行文字提取
extracted_text = pdf_to_text(pdf_path)
# 将提取的文字写入到txt文件中
with open('extracted_text.txt', 'w', encoding='utf-8') as file:
file.write(extracted_text)
print("Text extracted successfully!")
if __name__ == "__main__":
savewords()