PDF批量拆分、OCR识别并重命名 - Python代码实现

以下是一个Python代码示例，演示了如何使用PyPDF2库将PDF拆分为单页PDF，并使用Tesseract OCR识别图像中的文字，并根据要求进行重命名:

import os
import pytesseract
from PIL import Image
from PyPDF2 import PdfFileReader, PdfFileWriter

# 设置Tesseract OCR的安装路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 读取PDF文件
input_pdf = PdfFileReader('input.pdf')

# 创建输出文件夹
output_folder = 'output'
os.makedirs(output_folder, exist_ok=True)

# 拆分PDF为单页PDF
for page_num in range(input_pdf.numPages):
    # 创建单页PDF的写入对象
    output_pdf = PdfFileWriter()
    output_pdf.addPage(input_pdf.getPage(page_num))
    
    # 保存单页PDF
    output_filename = f"{output_folder}/page{page_num + 1}.pdf"
    with open(output_filename, 'wb') as output_file:
        output_pdf.write(output_file)
    
    # 将PDF转换为图像并进行OCR识别
    image = Image.open(output_filename)
    image_text = pytesseract.image_to_string(image)
    
    # 提取需要的文本并进行替换
    start_index = image_text.find('0D')
    if start_index != -1:
        extracted_text = image_text[start_index:start_index + 14]
        extracted_text = extracted_text.replace('0D', 'OD')
        
        # 生成新的文件名
        new_filename = f"{output_folder}/page{page_num + 1}_{extracted_text}.pdf"
        
        # 处理重名情况
        suffix = 1
        while os.path.exists(new_filename):
            new_filename = f"{output_folder}/page{page_num + 1}_{extracted_text}_{suffix}.pdf"
            suffix += 1
        
        # 重命名文件
        os.rename(output_filename, new_filename)

请确保已经安装了以下库：

• PyPDF2：用于读取和写入PDF文件
• pytesseract：用于调用Tesseract OCR进行文字识别
• Pillow：用于处理图像

你需要将上述代码中的input.pdf替换为你要处理的PDF文件的路径。另外，你还需要根据你的环境设置Tesseract OCR的安装路径。

此代码将在指定的输出文件夹中生成拆分后的单页PDF，并将每页PDF的文件名设置为识别结果。如果有重名情况，则会在文件名后添加自增后缀。

代码优化建议:

• 为了提高识别精度，可以使用Tesseract的config参数，例如 pytesseract.image_to_string(image, config='--psm 10')，选择更适合的识别模式。
• 可以根据实际情况调整extracted_text的长度，以提取更准确的识别结果。
• 可以增加错误处理机制，例如判断识别结果是否符合预期格式，避免出现错误的文件名。