Python处理扫描的PDF文件：图像OCR处理+pytesseract安装+文字提取

背景

有一些PDF资料，比较久远，是扫描出来的，需要文字版本
如果只需要其中几个片段可以直接微信截图识别
但是如果需要全本识别，人工的方式费时费力
OCR （Optical Character Recognition，光学字符识别），可以将图像中的文本信息提取出来，转换成计算机可处理的文本数据，为后续的分析和处理提供了便利。

虚拟环境准备

需要安装的库为：

pip install pytesseract
pip install fitz
pip install opencv-python
pip install PyMuPDF
pip install tesseract
pip install pillow
pip install pyperclip
pip install playwright

pytesseract设置

其中，pytesseract的安装比较复杂，需要设置虚拟环境
如果不设置，会遇到：

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH

1. 假设已经成功运行了pip install pytesseract
2. 检查环境设置
   打开Python的外部库——site-packages——pytesseract——pytesseract.py
   发现文件中有一句（最开头）tesseract_cmd =‘tesseract’
   这里是没有指定路径的
   
   
3. 从网上找到相应的‘Tesseract-OCR’下载安装
   进入网站
   https://github.com/tesseract-ocr/tessdoc/blob/main/Installation.md
   找到对应系统文件，例如win
   
   亲测下载第二个即可
   
4. 自定义安装，不要改变路径（最好不要）注意，安装的时候要勾选所有的可安装内容，不然没有中文
   
5. 添加到环境变量的系统变量（PATH）
   系统搜索环境变量，打开
   

7. 新建一个系统变量
增加一个TESSDATA_PREFIX变量名，变量值还是我的安装路径C:\Program Files\Tesseract-OCR\tessdata这是将语言字库文件夹添加到变量中;

7. 打开终端，输入：tesseract -v，可以看到版本信息

8. 在pytesseract库下的pytesseract.py文件中（刚刚打开过），找到

tesseract_cmd = 'tesseract'，

修改成

tesseract_cmd =r'C:\Program