用python实现将图片PDF转可搜索文本的双层PDF

要将图片PDF转为可搜索文本的双层PDF，可以使用Python中的PyPDF2和Tesseract OCR库。

首先需要安装PyPDF2和Tesseract OCR库：

pip install PyPDF2
pip install pytesseract

然后，可以使用以下代码将图片PDF转为可搜索文本的双层PDF：

import pytesseract
from PIL import Image
from io import BytesIO
import os
import PyPDF2

#设置tesseract OCR路径
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

#打开图片PDF
image_pdf = PyPDF2.PdfFileReader(open("image.pdf", "rb"))

#创建一个新的PDF文件
output_pdf = PyPDF2.PdfFileWriter()

#对每个页面进行OCR识别
for page in range(image_pdf.getNumPages()):
    #获取当前页面
    current_page = image_pdf.getPage(page)
    #将当前页面转为PIL图像
    pil_image = current_page.convert('RGB')
    #将PIL图像转为BytesIO对象
    image_bytes = BytesIO()
    pil_image.save(image_bytes, format='JPEG')
    #将BytesIO对象中的图像转为可识别文本
    text = pytesseract.image_to_string(Image.open(image_bytes))
    #将可识别文本添加到当前页面的元数据中
    current_page.addMetadata({'/Contents': text})
    #将当前页面添加到新的PDF文件中
    output_pdf.addPage(current_page)

#保存新的PDF文件
with open("output.pdf", "wb") as f:
    output_pdf.write(f)

这段代码将输入的图片PDF文件中的每个页面转为PIL图像，再将图像转为可识别文本，最后将可识别文本添加到当前页面的元数据中。最终生成的新PDF文件是一个双层PDF，其中原始图像被保留在底层，可识别文本被添加到元数据中的上层。