在实际开发项目中，很多pdf是先经过某些领导签字确认后，通过打印机扫描件生成pdf文档，那这些图片型的pdf文档，我们想要提取某些内容该怎么办呢？那这就需要用到OCR（光学字符识别）功能。

演示版本：

系统环境：win 10 Python版本： python 3.10

准备工具：

Tesseract OCR程序（含中文包）和pytesseract库、PyMuPDF库、其他包库

其中Tesseract OCR程序和对应的中文包在git上下载很慢，我这里已经打包收集整理好了

Tesseract下载及环境变量配置：

1、下载地址：https://pan.quark.cn/s/0a8d8a8c5d8f，如果自己是在内网环境开发，那就都下载下来
2、如果要识别中文，就得安装3.0以上的版本，这里tesseract 我安装的是5.3版本
3、下载完成之后，双击打开，安装路径自己按实际情况选好安装位置，其他的直接点击next即可，记住自己安装的位置，后面配置环境变量需要。我安装的位置是：D:\Program Files\Tesseract-OCR

4、安装完成后进行环境变量配置，找到系统变量的path，点击编辑，如图：

5、新建一个环境变量，变量的值是tesseract的安装位置，如图：

6、点击确定之后，在系统变量界面，新建一个系统变量，变量名为TESSDATA_PREFIX，变量值为安装目录下的tessdata目录位置，之后就一直点击确定即可，如下图

7、安装中文包，直接将下载的好的5个包复制扔到tessdata即可

8、验证tesseract 安装是否完成，在命令行输入tesseract -v，显示tesseract的版本号，就表示安装完成了，如图：

9、安装pytesseract库
1）互联网cmd命令行输入: pip install pytesseract
内网用我下载好的pytesseract-0.3.13-py3-none-any.whl包，如下图：

2）内网cmd命令行输入:pip install D:\python学习\1、pytesseract库的whl包\pytesseract-0.3.13-py3-none-any.whl

10、安装其他库
1）互联网cmd命令行输入: pip install PyMuPDF PIL
同理，要是内网，就用我下载好的如下图里的包，包里分64和32位的，可根据实际情况安装

2）内网cmd命令行输入:pip install D:\python学习\1、pytesseract库的whl包\pymupdf-1.25.4-cp39-abi3-win_amd64.whl

11、若是后面程序报frontend找不到，可下载frontend包
1）互联网cmd命令行输入: pip install frontend
2）内网就把其他包里的whl，依次安装上，注意下图里的都要安装，都是frontend包的依赖包，安装跟上面同理

12、正式提取图片型pdf的文字，完整代码如下

# -*- coding: UTF-8 -*-
import fitz
import pytesseract
from PIL import Image
import io


def readPDFInfoOCR(cmdExe,filePath):
    # 1、配置tesseract路径
    pytesseract.pytesseract.tesseract_cmd = cmdExe

    # 2、打开pdf文件
    pdf_file = fitz.open(filePath)

    # 3、遍历pdf的每一页
    for page_num in range(len(pdf_file)):
        # （1）获取页面
        page = pdf_file[page_num]

        # （2）提取页面上的图像
        image_list = page.get_images(full=True)
        print("-------------------------解析开始-------------------------")
        for image_index, img in enumerate(image_list):
            # （3）提取图像
            xref = img[0]
            base_image = pdf_file.extract_image(xref)
            image_bytes = base_image["image"]

            # （4）将字节转换为PIL图像
            image = Image.open(io.BytesIO(image_bytes))

            # （5）使用pytesseract对图像进行ocr
            text = pytesseract.image_to_string(image, lang='chi_sim')

            # （6）输出打印结果
            print(f"Page {page_num + 1}, Image {image_index + 1}:")

            print(text)
        print("-------------------------解析完成-------------------------")
    # 关闭pdf文件
    pdf_file.close()


if __name__ == '__main__':
 
    cmdExe = r'D:\Program Files\Tesseract-OCR\tesseract.exe'
    filePath = r'D:\01.pdf'
    readPDFInfoOCR(cmdExe,filePath)

13、运行结果如下