poppler 没有正确配置在系统的 PATH 环境变量中

你遇到的错误是因为 pdf2image 库依赖于 poppler 工具来处理 PDF 文件，而你的系统中没有安装 poppler，或者 poppler 没有正确配置在系统的 PATH 环境变量中。

解决方案

1. 安装 Poppler

你需要先安装 poppler，然后确保它在系统的 PATH 中。

• Windows:

  1. 下载并安装 Poppler for Windows。
  2. 将 poppler 的 bin 目录添加到系统的 PATH 环境变量中。例如，如果你将 poppler 安装在 C:\poppler\bin，那么你需要将这个路径添加到 PATH 中。

• macOS:
  你可以使用 Homebrew 来安装 poppler：

  brew install poppler
  

• Linux:
  你可以使用包管理器来安装 poppler，例如在 Ubuntu 上：

  sudo apt-get install poppler-utils
  

2. 修改代码

如果你已经安装了 poppler 并且配置了 PATH，但仍然遇到问题，可以尝试在代码中指定 poppler 的路径。

from pdf2image import convert_from_path

def pdf_to_images(pdf_path, output_folder):
    # 指定 poppler_path
    poppler_path = r"C:\path\to\poppler\bin"  # 替换为你的 poppler bin 目录路径
    images = convert_from_path(pdf_path, poppler_path=poppler_path)
    
    image_paths = []
    for i, image in enumerate(images):
        image_path = f"{output_folder}/page_{i+1}.png"
        image.save(image_path, "PNG")
        image_paths.append(image_path)
    
    return image_paths

3. 处理图片中的文本

由于你的 PDF 文件是由图片组成的，pdf2image 只能将 PDF 转换为图片，而不能直接提取文本。你需要使用 OCR（光学字符识别）工具来从图片中提取文本。你可以使用 pytesseract 库来实现这一点。

首先，安装 pytesseract 和 Tesseract OCR：

• Windows:

  1. 下载并安装 Tesseract OCR。
  2. 将 Tesseract 的安装路径添加到系统的 PATH 环境变量中。

• macOS:

  brew install tesseract
  

• Linux:

  sudo apt-get install tesseract-ocr
  

然后安装 pytesseract：

pip install pytesseract

最后，修改你的代码以使用 OCR 提取文本：

from pdf2image import convert_from_path
import pytesseract
import os

def pdf_to_images(pdf_path, output_folder):
    # 指定 poppler_path
    poppler_path = r"C:\path\to\poppler\bin"  # 替换为你的 poppler bin 目录路径
    images = convert_from_path(pdf_path, poppler_path=poppler_path)
    
    image_paths = []
    for i, image in enumerate(images):
        image_path = f"{output_folder}/page_{i+1}.png"
        image.save(image_path, "PNG")
        image_paths.append(image_path)
    
    return image_paths

def images_to_text(image_paths):
    text = ""
    for image_path in image_paths:
        text += pytesseract.image_to_string(image_path)
    return text

def pdf_to_text(pdf_path, output_folder):
    image_paths = pdf_to_images(pdf_path, output_folder)
    text = images_to_text(image_paths)
    return text

# 使用示例
pdf_path = "path/to/your/pdf/file.pdf"
output_folder = "path/to/output/folder"
text = pdf_to_text(pdf_path, output_folder)
print(text)

总结

1. 安装 poppler 并确保它在 PATH 中。
2. 使用 pdf2image 将 PDF 转换为图片。
3. 使用 pytesseract 从图片中提取文本。

这样，你就可以处理由图片组成的 PDF 文件并提取其中的文本了。