python 通过ocr批量pdf转word

如果需要通过OCR（光学字符识别）来批量将PDF文件转换为Word文件，可以使用Python中的PyPDF2库和pytesseract库来实现。以下是一个基本的示例代码：

import os
import pytesseract
from PIL import Image
from pdf2image import convert_from_path
from docx import Document

# 设置OCR引擎和语言
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
tessdata_dir_config = '--tessdata-dir "C:\\Program Files\\Tesseract-OCR\\tessdata"'

# 设置PDF文件路径和输出Word文件路径
pdf_path = "input.pdf"
output_path = "output.docx"

# 将PDF转换为图片
images = convert_from_path(pdf_path)

# 创建一个新的Word文档
doc = Document()

# 遍历每一页图片进行OCR转换
for i, image in enumerate(images):
    # 保存图片以便OCR识别
    image_path = f"page_{i+1}.png"
    image.save(image_path, "PNG")

    # 使用OCR识别图片内容
    text = pytesseract.image_to_string(Image.open(image_path), config=tessdata_dir_config)

    # 将识别的文本添加到Word文档中
    doc.add_paragraph(text)

    # 删除临时生成的图片文件
    os.remove(image_path)

# 保存Word文档
doc.save(output_path)

请确保已安装相关依赖库，可以使用`pip install pytesseract PyPDF2 pdf2image python-docx pillow`命令进行安装。同时，还需要安装Tesseract OCR引擎并设置正确的路径。

以上代码将会将PDF文件中的每一页转换为图片，然后使用OCR引擎对图片进行识别，并将识别结果逐页添加到Word文档中。最终生成的Word文件将保存在`output.docx`路径下。