之前发布过，但重要的图片没有显示出来，所以重新发布一次。
正文来了：
最近帮老同学处理一个差不多200页的pdf文件提取文字的处理，经过一番处理后发现都存在一些自己不满意的地方。
老同学有完成时间的要求，所以选择了一个相对安全的操作：【pdf文件按页转换为图片格式】- 【再利用WX的文字提取功能】-【逐个图片提取文字后复制粘贴到一个txt或doc文件中】 。因为需要截图 - 传图到手机 - 微信文字提出 - 复制文字 - 发回电脑端 -粘贴到文件，整个操作流程重复、费劲，伤眼、伤腰、伤精力....最终花了半个工作日才搞掂，后续的格式问题交回老同学再二次加工了。
此后产生了一个想法：利用python的技术进行自动处理。思路：PDF文件按页批量转换生成图片格式，每个图片通过OCR实现文字提取，所有提取的文字写入一个txt文件里面。全称自动化，无需手工切入，想想都觉得好有满足感。于是网上查阅了资料，也花费了一些闲余时间，终于大功告成！
先来看看PDF原文件和运行代码后的文字提取结果，来个直观对比吧
PDF原文件
文字提取后输出到txt文件里面
下面是python两个重要过程的代码截图，分别是pdf文件按页切割为png图片，另一个是OCR识别文字提取
PDF按页转换生成图片文件
OCR文字提取
本案例四页PDF的文字提取速度非常快，从代码捕获的时间显示用时全程大概10秒。无论效率和文字提取都比较满意，但也存在不足，遇到PDF里面有图片的识别不出来的。
四页PDF转换大概用时10秒
本次分享到此结束，希望大家有所收获吧！
,
