如何用Python实现PDF转换文本
这篇文章主要介绍"如何用Python实现PDF转换文本"，在日常操作中，相信很多人在如何用Python实现PDF转换文本问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"如何用Python实现PDF转换文本"的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
目录
一、前言
1.1、为什么不使用传统的pdf 转文本工具呢？
二、实现过程
2.1、基于深度学习的 OCR 将 pdf 为文本
2.1.1、将 pdf 转换为图像
2.1.2、检测和识别图像中的文本
2.1.3、示例输出
一、前言
对很多人来说，将PDF转换为可编辑的文本是个刚需，却苦于没有简单的方法。发现 pdf 幻灯片，效果还不错。
传统的讲座通常伴随有很多pdf幻灯片。一般来说，想要对自己的讲座做笔记，需要从pdf复制、补充大量内容。
最近，来自 K1 Digital 的高级机器工程师 Lucas Soares 一直在尝试通过使用 CR（光学字符识别）自动 pdf 幻灯片，以便直接在 Markdown 文件中操作它们的内容，从而避免手动复制和粘贴 pdf 内容，实现这个过程的自动化。
图为项目作者卢卡斯·苏亚雷斯。
1.1、为什么不使用传统的pdf 转文本工具呢？
Lucas Soares 发现传统工具往往会带来更多的问题，需要花时间解决。他曾尝试使用传统的 Python 软件包，但遇到了很多问题（例如必须使用复杂的正则表达式模式解析最终输出等），因此决定尝试使用目标检测和 OCR 来解决。
二、实现过程
基本过程可分为以下几个步骤：
将 pdf 转换为图片；
检测和识别图像中的文本；
展示示例输出。
2.1、基于深度学习的 OCR 将 pdf 为文本
2.1.1、将 pdf 转换为图像
Soares 使用的 pdf 幻灯片来自于 David Silver 的增长学习（参见以下 pdf 幻灯片地址）。使用「pdf2image」包将每张幻灯片转换为 png 图像格式。
pdf 幻灯片示例。
地址：https://www.davidsilver.uk/wp-content/uploads/2020/03/intro_RL.pdf
代码如下：
from pdf2image import convert_from_pathfrom pdf2image.exceptions import ( PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError)pdf_path = "path/to/file/intro_RL_Lecture1.pdf"images = convert_from_path(pdf_path)for i, image in enumerate(images): fname = "image" + str(i) + ".png" image.save(fname, "PNG")
经过处理后，所有的pdf幻灯片都转换成png格式的图片：
2.1.2、检测和识别图像中的文本
为了检测和识别png图像中的文本，Soares使用ocr.pytorch库中的文本检测器。按照说明下载模型保存模型保存在检查点文件夹中。
ocr.pytorch 库地址：https://github.com/courao/ocr.pytorch
代码如下：
# adapted from this source: https://github.com/courao/ocr.pytorch%load_ext autoreload%autoreload 2import osfrom ocr import ocrimport timeimport shutilimport numpy as npimport pathlibfrom PIL import Imagefrom glob import globimport matplotlib.pyplot as pltimport seaborn as snssns.set()import pytesseractdef single_pic_proc(image_file): image = np.array(Image.open(image_file).convert('RGB')) result, image_framed = ocr(image) return result,image_framedimage_files = glob('./input_images/*.*')result_dir = './output_images_with_boxes/'# If the output folder exists we will remove it and redo it.if os.path.exists(result_dir): shutil.rmtree(result_dir)os.mkdir(result_dir)for image_file in sorted(image_files): result, image_framed = single_pic_proc(image_file) # detecting and recognizing the text filename = pathlib.Path(image_file).name output_file = os.path.join(result_dir, image_file.split('/')[-1]) txt_file = os.path.join(result_dir, image_file.split('/')[-1].split('.')[0]+'.txt') txt_f = open(txt_file, 'w') Image.fromarray(image_framed).save(output_file) for key in result: txt_f.write(result[key][1]+'\n') txt_f.close()设置输入和输出文件夹，接着遍历所有输入图像（转换后的pdf幻灯片），然后通过single_pic_proc()函数运行OCR模块中的检测和识别模型，最后将输出保存到输出文件夹。
从检测继承（inherit）了Pytorch CTPN，识别了Pytorch CRNN，模型都存在于OCR模块中。
2.1.3、示例输出
代码如下：
import cv2 as cvoutput_dir = pathlib.Path("./output_images_with_boxes")# image = cv.imread(str(np.random.choice(list(output_dir.iterdir()),1)[0]))image = cv.imread(f"{output_dir}/image7.png")size_reshaped = (int(image.shape[1]),int(image.shape[0]))image = cv.resize(image, size_reshaped)cv.imshow("image", image)cv.waitKey(0)cv.destroyAllWindows()下图左为原始pdf 幻灯片，图右为脑后的输出文本，准确率非常高。
文本识别输出如下：
filename = f"{output_dir}/image7.txt"with open(filename, "r") as text: for line in text.readlines(): print(line.strip("\n"))通过上述方法，最终可以得到一个非常强大的工具来讨论文档，从检测和识别手写笔记到检测和识别照片中的随机。
拥有文本的 OCR 工具来处理一些文本内容，这比依赖外部软件来说明文档要好得多。
到此，关于"如何用Python实现PDF转换文本"的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注网站，小编会继续努力为大家带来更多实用的文章！
