Python扫描PDF文字OCR识别图片转文字教程

用Python把扫描版PDF逐页转图片，再调用OCR引擎识别成文字，支持中文，处理图片型PDF不再手动录入。

场景痛点

扫描件、传真件、盖章合同都是图片型PDF，用pdfplumber/PyPDF2读出来是空字符串。想把里面的文字电子化，要么手打几百页，要么用付费OCR软件。用Python+pdf2image+pytesseract，可以把每页PDF先渲染成图片，再调用本地OCR引擎识别成文字，离线可用、免费、可批量。

用到的库

pip install pdf2image pytesseract
# 系统层依赖：
# 1) 安装 poppler（pdf2image 依赖它把PDF转图片）
# 2) 安装 Tesseract OCR，并下载中文语言包 chi_sim

完整代码

# -*- coding: utf-8 -*-
"""
对扫描版 PDF 做 OCR，把每页识别为文字
"""
from pdf2image import convert_from_path
import pytesseract

# 如果 tesseract 不在 PATH 里，手动指定可执行文件路径
# pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"


def ocr_pdf(pdf_path: str, out_txt: str = None, lang: str = "chi_sim+eng") -> str:
"""
对整本扫描 PDF 做 OCR
:param pdf_path: 扫描版 PDF 路径
:param out_txt: 可选，识别结果保存路径
:param lang: OCR 语言，中文简体+英文；纯英文改 "eng"
"""
# dpi=300 是扫描件常用精度，太低识别率下降，太高变慢
images = convert_from_path(pdf_path, dpi=300)
print(f"共 {len(images)} 页")

all_text = []
for i, img in enumerate(images, start=1):
# 对这张图片做 OCR，lang 指定语言包
text = pytesseract.image_to_string(img, lang=lang)
all_text.append(f"========== 第 {i} 页 ==========\n{text}")
print(f"第 {i} 页识别完成，{len(text)} 字")

full_text = "\n\n".join(all_text)
if out_txt:
with open(out_txt, "w", encoding="utf-8") as f:
f.write(full_text)
print(f"已保存: {out_txt}")
return full_text


if __name__ == "__main__":
ocr_pdf("扫描件.pdf", "扫描件_识别.txt")

代码讲解

convert_from_path(pdf_path, dpi=300) 把PDF每页渲染成 Pillow 图片对象列表，底层调用 poppler。
pytesseract.image_to_string(img, lang="chi_sim+eng") 调用本地 Tesseract 识别这张图，返回字符串。
lang="chi_sim+eng" 同时加载简体中文和英文语言包，混合排版识别更准。
逐页累加文本，最后一次性写 UTF-8 文本文件。
dpi 是关键参数：150 够清晰，300 更准但慢，600 没必要。

运行结果

控制台逐页打印进度，同目录生成 扫描件_识别.txt。打开后每页文字按页码分隔，可直接做检索、校对。识别率受扫描清晰度、倾斜角度影响。

注意事项

系统依赖：pdf2image 需要装 poppler（Windows 下把 bin 目录加到 PATH，或用 poppler_path= 参数指定）；Tesseract 要单独安装并下载 chi_sim.traineddata 中文包。
这是离线开源方案，识别率比商业API（百度/腾讯/阿里）低，但胜在免费、可批量、不出本机。
倾斜、噪点、手写体会让识别率骤降，必要时先做图像预处理（灰度、二值化、去噪）。
识别几十页以上建议加进度条（tqdm）或分批处理，避免误以为卡死。

Python扫描PDF文字OCR识别图片转文字教程