python提取图片型pdf中的文字（提取pdf扫描件文字）

要从图片型PDF中提取文本，可以使用Python的pdf2image库和pytesseract库。首先，需要将PDF中的图片页转换为图片，然后使用OCR技术（光学字符识别）来识别图片中的文本。

安装所需库：

pip install pdf2image pytesseract

确保你有Tesseract-OCR安装在你的系统上，并且在你的PATH环境变量中。

以下是一个Python脚本示例，它将提取包含文本的图片型PDF的文本：

import pdf2image as p2i
from pytesseract import image_to_string
 
def extract_text_from_pdf(pdf_path):
    # 将PDF转换为图片
    images = p2i.convert_from_path(pdf_path)
    text = ''
 
    for img in images:
        # 使用Tesseract OCR识别图片中的文本
        text += image_to_string(img)
 
    return text
 
pdf_path = 'scanned_document.pdf'
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text)

请注意，OCR的准确性可能会受到图像质量、图像噪声和文本密度的影响。对于复杂或扭曲的文档，结果可能不会非常准确。