logo

开发者热搜

如何用Python读取多语言PDF并转为字符串：中日泰文处理全攻略

作者：carzy2025.09.19 15:12浏览量：3

简介：本文详细介绍如何用Python读取含中文、日文、泰文等亚洲语言的PDF文件，提取文本并转为字符串，重点解决OCR识别与编码处理难题，提供完整代码示例与优化建议。

一、背景与需求分析

在全球化信息处理场景中，企业与开发者常面临多语言PDF文本提取需求。例如，日企需将产品说明书PDF转为可编辑文本，中文文献机构需数字化古籍PDF，泰语旅游资料需翻译为多语言版本。传统PDF解析工具对亚洲语言支持不足，主要存在两大痛点：

  1. 编码兼容性：中日泰文使用Unicode多字节编码，普通解析器易出现乱码
  2. 布局识别：竖排日文、复杂中文排版导致文本顺序错乱

本文将系统讲解从PDF读取到字符串存储的全流程，重点解决OCR识别与编码处理两大核心问题。

二、技术方案选型

1. 原生PDF文本提取（适用于可复制文本的PDF）

当PDF包含可复制的文本层时，优先使用PyPDF2或pdfminer.six库：

  1. # 使用PyPDF2提取文本（适用于结构化PDF）
  2. from PyPDF2 import PdfReader
  4. def extract_text_from_pdf(pdf_path):
  5.     reader = PdfReader(pdf_path)
  6.     text = ""
  7.     for page in reader.pages:
  8.         text += page.extract_text()
  9.     return text
  11. # 使用示例
  12. japanese_text = extract_text_from_pdf("japanese_doc.pdf")
  13. print(japanese_text[:200])  # 打印前200字符验证

局限性：对扫描件或图片型PDF无效，中日泰文混排时可能出现编码错误。

2. OCR识别方案（适用于扫描件PDF）

对于图片型PDF，需结合OCR引擎：

方案一：Tesseract OCR（开源首选）

  1. # 安装依赖：pip install pytesseract pdf2image
  2. import pytesseract
  3. from pdf2image import convert_from_path
  5. def ocr_pdf_to_text(pdf_path, lang='jpn+chi_sim+tha'):
  6.     # 将PDF转为图像列表
  7.     images = convert_from_path(pdf_path)
  9.     # 配置Tesseract路径（根据系统调整）
  10.     # pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
  12.     full_text = ""
  13.     for i, image in enumerate(images):
  14.         # 多语言混合识别
  15.         text = pytesseract.image_to_string(
  16.             image, 
  17.             lang=lang,
  18.             config='--psm 6'  # 自动页面分割模式
  19.         )
  20.         full_text += f"\n=== Page {i+1} ===\n" + text
  21.     return full_text
  23. # 使用示例
  24. mixed_text = ocr_pdf_to_text("multilingual.pdf")
  25. print(mixed_text[:500])

关键参数说明：

  • lang参数：jpn(日文)、chi_sim(简体中文)、tha(泰文)的组合
  • psm模式：6表示假设为统一文本块，适合排版规整的文档

方案二：商业OCR API（高精度场景）

对于专业场景，可考虑以下商业API：

  • 百度OCR：支持中日韩泰等20+语言，提供PDF整体识别接口
  • ABBYY FineReader Engine：企业级OCR，对复杂排版支持优秀
  1. # 伪代码示例（百度OCR需申请API Key）
  2. import requests
  4. def baidu_ocr_pdf(pdf_path, api_key, secret_key):
  5.     # 1. 上传PDF获取access_token
  6.     # 2. 调用PDF识别接口
  7.     # 3. 解析返回的JSON
  8.     pass

三、编码处理与字符串存储

1. 编码问题解决方案

亚洲语言处理常见编码问题：

  • 乱码：未正确声明文件编码
  • 截断：字符串处理时未考虑多字节字符

最佳实践：

  1. # 显式指定编码读写文件
  2. with open("output.txt", "w", encoding="utf-8") as f:
  3.     f.write(mixed_text)
  5. # 安全截取字符串（避免中文字符截断）
  6. def safe_substr(text, max_len):
  7.     if len(text.encode('utf-8')) <= max_len:
  8.         return text
  9.     # 回溯查找最后一个完整字符
  10.     for i in range(max_len, 0, -1):
  11.         if len(text[:i].encode('utf-8')) <= max_len:
  12.             return text[:i]
  13.     return ""

2. 结构化存储建议

对于多语言文本，推荐采用JSON格式存储：

  1. import json
  3. data = {
  4.     "metadata": {
  5.         "source_file": "multilingual.pdf",
  6.         "languages": ["jpn", "chi_sim", "tha"],
  7.         "page_count": 5
  8.     },
  9.     "content": {
  10.         "page_1": "こんにちは...你好...สวัสดี",
  11.         "page_2": "続きのテキスト..."
  12.     }
  13. }
  15. with open("output.json", "w", encoding="utf-8") as f:
  16.     json.dump(data, f, ensure_ascii=False, indent=2)

四、性能优化与工程实践

1. 大文件处理技巧

对于超过100页的PDF：

  1. # 分块处理示例
  2. def process_large_pdf(pdf_path, chunk_size=10):
  3.     reader = PdfReader(pdf_path)
  4.     all_text = []
  6.     for i in range(0, len(reader.pages), chunk_size):
  7.         chunk_text = ""
  8.         for page_num in range(i, min(i+chunk_size, len(reader.pages))):
  9.             chunk_text += reader.pages[page_num].extract_text()
  10.         all_text.append(chunk_text)
  11.         # 此处可添加异步处理或存储逻辑
  13.     return all_text

2. 质量验证方法

实施三步验证法：

  1. 字符覆盖率检查：统计识别文本中的语言特征字符
  2. 格式一致性验证：检查换行符、标点符号分布
  3. 抽样人工核对：随机抽取1%内容进行人工验证
  1. def validate_text(text, expected_lang):
  2.     lang_features = {
  3.         'jpn': ['の', 'は', 'を'],
  4.         'chi_sim': ['的', '了', '是'],
  5.         'tha': ['ก', 'ข', 'ค']
  6.     }
  8.     if expected_lang not in lang_features:
  9.         return False
  11.     feature_chars = lang_features[expected_lang]
  12.     return any(char in text for char in feature_chars)

五、完整解决方案示例

综合方案实现：

  1. import pytesseract
  2. from pdf2image import convert_from_path
  3. import json
  4. import os
  6. class MultilingualPDFExtractor:
  7.     def __init__(self, tesseract_path=None):
  8.         if tesseract_path:
  9.             pytesseract.pytesseract.tesseract_cmd = tesseract_path
  11.     def extract(self, pdf_path, output_format='txt', lang='jpn+chi_sim+tha'):
  12.         # 尝试原生文本提取
  13.         try:
  14.             from PyPDF2 import PdfReader
  15.             reader = PdfReader(pdf_path)
  16.             text = "\n".join([page.extract_text() for page in reader.pages])
  17.             if text.strip():  # 如果提取到文本
  18.                 return self._save_result(text, pdf_path, output_format)
  19.         except:
  20.             pass
  22.         # 回退到OCR方案
  23.         images = convert_from_path(pdf_path)
  24.         full_text = ""
  25.         for i, img in enumerate(images):
  26.             text = pytesseract.image_to_string(
  27.                 img, 
  28.                 lang=lang,
  29.                 config='--psm 6'
  30.             )
  31.             full_text += f"\n=== Page {i+1} ===\n" + text
  33.         return self._save_result(full_text, pdf_path, output_format)
  35.     def _save_result(self, text, source_file, output_format):
  36.         base_name = os.path.splitext(source_file)[0]
  37.         result = {
  38.             "source": source_file,
  39.             "content": text,
  40.             "stats": {
  41.                 "char_count": len(text),
  42.                 "byte_size": len(text.encode('utf-8'))
  43.             }
  44.         }
  46.         if output_format == 'json':
  47.             output_path = f"{base_name}.json"
  48.             with open(output_path, 'w', encoding='utf-8') as f:
  49.                 json.dump(result, f, ensure_ascii=False, indent=2)
  50.             return output_path
  51.         else:  # txt
  52.             output_path = f"{base_name}.txt"
  53.             with open(output_path, 'w', encoding='utf-8') as f:
  54.                 f.write(text)
  55.             return output_path
  57. # 使用示例
  58. extractor = MultilingualPDFExtractor()
  59. result_path = extractor.extract("multilingual_doc.pdf", output_format='json')
  60. print(f"处理完成，结果保存至: {result_path}")

六、常见问题解决方案

1. 日文竖排文本识别

解决方案：

  • 使用Tesseract的--psm 0模式（自动页面分割）
  • 对竖排文本进行预处理旋转
  1. from PIL import Image
  2. import numpy as np
  4. def rotate_vertical_text(image_path, output_path):
  5.     img = Image.open(image_path)
  6.     # 转换为numpy数组处理
  7.     arr = np.array(img)
  8.     # 旋转90度（根据实际排版调整）
  9.     rotated = np.rot90(arr, k=3)  # k=3表示270度旋转
  10.     rotated_img = Image.fromarray(rotated)
  11.     rotated_img.save(output_path)
  12.     return output_path

2. 泰文字符识别优化

泰文特点：

  • 包含特殊字符和合字
  • 无空格分隔单词

优化建议：

  • 使用泰文专用训练数据（Tesseract的tha.traineddata）
  • 后处理添加词边界识别
  1. def post_process_thai(text):
  2.     # 简单示例：添加泰文词间空格（实际需更复杂逻辑）
  3.     thai_chars = "กขฃคฅฆงจฉชซฌญฎฏฐฑฒณดตถทธนบปผฝพฟภมยรฤลฦวศษสหฬอฮฯะาำิีึืฺุูเแโใไํ๊์๋์็๎"
  4.     processed = []
  5.     for char in text:
  6.         if char in thai_chars and len(processed) > 0 and processed[-1] not in thai_chars:
  7.             processed.append(" ")
  8.         processed.append(char)
  9.     return "".join(processed)

七、总结与展望

本文提出的解决方案实现了：

  1. 多语言支持：覆盖中日泰文等主要亚洲语言
  2. 双模式处理：原生文本提取与OCR识别自动切换
  3. 企业级实践：包含质量验证、大文件处理等工程优化

未来发展方向：

  • 深度学习模型微调：针对特定领域文本优化识别率
  • 实时处理架构：结合流式PDF解析与增量OCR
  • 多模态处理：同时提取文本、表格和图片信息

通过合理组合现有工具与自定义处理逻辑，开发者可以构建高效可靠的多语言PDF文本提取系统，满足全球化信息处理需求。

相关文章推荐

发表评论

最热文章

关于作者

  • 被阅读数
  • 被赞数
  • 被收藏数
活动
咨询