python 通过ocr批量pdf转excel

你可以使用Python中的第三方库，如PyPDF2和pytesseract，来实现将批量的PDF文件转换为Excel文件。以下是一个简单的示例代码：

import os
import PyPDF2
import pytesseract
import pandas as pd

# 设置tesseract的安装路径（如果需要）
# pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files/Tesseract-OCR/tesseract.exe'

# 定义PDF转文本的函数
def pdf_to_text(pdf_file):
    with open(pdf_file, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        text = ''
        for page in reader.pages:
            text += page.extract_text()
    return text

# 定义文本转Excel的函数
def text_to_excel(text, excel_file):
    lines = text.split('\n')
    data = []
    for line in lines:
        row = [cell.strip() for cell in line.split('\t')]
        data.append(row)
    df = pd.DataFrame(data)
    df.to_excel(excel_file, index=False, header=False)

# 定义批量转换函数
def batch_convert_pdf_to_excel(folder):
    files = os.listdir(folder)
    for file in files:
        if file.endswith('.pdf'):
            pdf_path = os.path.join(folder, file)
            text = pdf_to_text(pdf_path)
            excel_path = os.path.join(folder, file.replace('.pdf', '.xlsx'))
            text_to_excel(text, excel_path)

# 调用批量转换函数
batch_convert_pdf_to_excel('path/to/folder')

请确保在运行代码之前已经安装了PyPDF2、pytesseract和pandas库。你可能还需要安装Tesseract OCR引擎并设置它的路径（如果需要）。