识别PDF档里 文字和图片上文字
import fitzfrom pyzbar import pyzbarfrom PIL import Image,ImageEnhance,ImageOpsimport reimport pytesseractimport ion=0f='71229.pdf'pdf=fitz.open(f)for page in pdf: n+=1 text = page.get_text() #提取文本，传入参数'html'即：page.get_text('html') 则提取每页内容为html pic=page.get_images() #提取图像字典，每一项都是元组 pat = r'\d{20}' result=re.findall(pat,text) print(result) print("第"+str(n)+"页:") for p in pic: i=p[0] #元组第一项 为xref值 pix=fitz.Pixmap(pdf, i) imgdata = pix.tobytes("JPG") #转成jpg字节 img = Image.open(io.BytesIO(imgdata)) #PIL image打开图像 img=ImageOps.expand(img, border=50, fill="white") #填充白边 text1=pytesseract.image_to_string(img,lang='chi_sim')#识别图像文字 print(text1)本作品采用 知识共享署名-相同方式共享 4.0 国际许可协议 进行许可。