python 通过ocr批量pdf转excel

你可以使用Python的一些库和工具来实现批量将PDF转换为Excel，其中包括OCR（Optical Character Recognition，光学字符识别）技术。这里有一个简单的步骤：

1. 安装所需的库和工具：
- `pdf2image`：用于将PDF文件转换为图像文件。
- `pytesseract`：用于进行OCR文本识别。
- `pandas`：用于处理和导出Excel文件。

你可以使用以下命令安装这些库：

pip install pdf2image pytesseract pandas

2. 导入所需的模块和库：

import os
from pdf2image import convert_from_path
import pytesseract
import pandas as pd

3. 定义一个函数来处理单个PDF文件：

def pdf_to_excel(pdf_path, output_path):
    # 将PDF转换为图像
    images = convert_from_path(pdf_path)

    # 创建一个空的DataFrame来存储提取的文本
    df = pd.DataFrame()

    # 遍历每个图像并进行OCR文本识别
    for i, image in enumerate(images):
        text = pytesseract.image_to_string(image, lang='eng')

        # 将提取的文本添加到DataFrame中的新列中
        df[f'Page {i+1}'] = [text]

    # 导出DataFrame为Excel文件
    df.to_excel(output_path, index=False)

4. 定义一个函数来处理批量PDF文件：

def batch_pdf_to_excel(input_folder, output_folder):
    # 获取输入文件夹中的所有PDF文件
    pdf_files = [file for file in os.listdir(input_folder) if file.endswith('.pdf')]

    # 遍历每个PDF文件并进行转换
    for pdf_file in pdf_files:
        # 构建输入和输出文件的完整路径
        pdf_path = os.path.join(input_folder, pdf_file)
        excel_file = pdf_file.replace('.pdf', '.xlsx')
        output_path = os.path.join(output_folder, excel_file)

        # 调用pdf_to_excel函数进行转换
        pdf_to_excel(pdf_path, output_path)

5. 调用`batch_pdf_to_excel`函数来处理批量PDF文件：

input_folder = 'path/to/input/folder'
output_folder = 'path/to/output/folder'
batch_pdf_to_excel(input_folder, output_folder)

请确保将`path/to/input/folder`和`path/to/output/folder`替换为实际的文件夹路径。这样，你就可以将批量的PDF文件转换为Excel文件了。