python读取PDF常用库简要介绍

Python中用于读取PDF文件并识别文字的库有多种，以下是一些常用的库：

1. PyPDF2：可以拆分、合并、旋转、裁剪PDF页面，提取文本和元数据。
2. pdfminer.six：高精度提取文本、图像和表格，支持复杂布局和字体。
3. ReportLab：创建包含文本、图像、图形和表格的复杂PDF文档。
4. PyMuPDF (fitz)：提取文本和图像，处理页面、注释和书签，渲染PDF页面。
5. pdfplumber：高精度提取和分析PDF中的表格和文本。
6. Camelot：高精度表格检测和提取，导出为CSV、Excel、JSON等格式。
7. tabula-py：基于Java库tabula，提取表格为DataFrame或CSV。
8. Slate：基于pdfminer的简单文本提取工具。
9. pdfquery：结合PDFMiner和lxml，支持复杂查询和文本提取。
10. PDFKit：将HTML文档转换为PDF，基于wkhtmltopdf工具。
11. pdf2image：使用poppler将PDF页面转换为PIL图像对象。

对于图片型PDF或PDF扫描件，可以使用OCR技术来提取文字。这通常涉及到使用如Tesseract OCR这样的工具，通过Python的pytesseract库来调用。以下是OCR提取的基本步骤：

1. 安装pytesseract和Tesseract OCR。
2. 配置Tesseract的安装路径到系统环境变量。
3. 安装中文识别包（如果需要识别中文）。
4. 使用pytesseract进行OCR识别，提取图像中的文字。

例如，使用PyMuPDF打开PDF文件，提取每一页为图像，然后使用pytesseract进行文字识别的代码示例如下：

import fitz
import pytesseract
from PIL import Image
import io

# 配置tesseract安装路径
pytesseract.pytesseract.tesseract_cmd = r'F:\tesseract\tesseract.exe'

# 打开pdf文件
pdf_file = fitz.open('your_pdf_file.pdf')

# 遍历pdf的每一页
for page_num in range(len(pdf_file)):
    page = pdf_file[page_num]

    # 提取页面上的图像
    image_list = page.get_images(full=True)

    for image_index, img in enumerate(image_list):
        xref = img[0]
        base_image = pdf_file.extract_image(xref)
        image_bytes = base_image["image"]

        # 将字节转换为PIL图像
        image = Image.open(io.BytesIO(image_bytes))

        # 使用pytesseract对图像进行ocr
        text = pytesseract.image_to_string(image, lang='chi_sim')

        print(f"Page {page_num + 1}, Image {image_index + 1}:")
        print(text)

# 关闭pdf文件
pdf_file.close()

代码中的文件路径和语言设置可根据实际情况填写。