之前發布過，但重要的圖片沒有顯示出來可復制pdf文件制作方法，所以重新發布一次。
正文來了：
最近幫老同學處理一個差不多200頁的pdf文件提取文字的處理，經過一番處理后發現都存在一些自己不滿意的地方。
老同學有完成時間的要求可復制pdf文件制作方法，所以選擇了一個相對安全的操作：【pdf文件按頁轉換為圖片格式】- 【再利用WX的文字提取功能】-【逐個圖片提取文字后復制粘貼到一個txt或doc文件中】 。因為需要截圖 - 傳圖到手機 - 微信文字提出 - 復制文字 - 發回電腦端 -粘貼到文件，整個操作流程重復、費勁，傷眼、傷腰、傷精力....最終花了半個工作日才搞掂，后續的格式問題交回老同學再二次加工了。
此后產生了一個想法：利用的技術進行自動處理。思路：PDF文件按頁批量轉換生成圖片格式，每個圖片通過OCR實現文字提取，所有提取的文字寫入一個txt文件里面。全稱自動化，無需手工切入，想想都覺得好有滿足感。于是網上查閱了資料，也花費了一些閑余時間，終于大功告成！
先來看看PDF原文件和運行代碼后的文字提取結果，來個直觀對比吧
PDF原文件
文字提取后輸出到txt文件里面
下面是兩個重要過程的代碼截圖，分別是pdf文件按頁切割為png圖片，另一個是OCR識別文字提取
PDF按頁轉換生成圖片文件
OCR文字提取
本案例四頁PDF的文字提取速度非常快，從代碼捕獲的時間顯示用時全程大概10秒。無論效率和文字提取都比較滿意，但也存在不足，遇到PDF里面有圖片的識別不出來的。
四頁PDF轉換大概用時10秒
本次分享到此結束，希望大家有所收獲吧！