带 OCR 功能的批量 PDF 转 TXT 代码（无需全局环境变量）

import os
import pdfplumber
from PIL import Image
import pytesseract  # 导入OCR库


def batch_pdf_to_txt(pdf_folder, txt_folder, tesseract_path):
    """
    批量将PDF转换为TXT（支持文字版和扫描版，需指定Tesseract路径）
    :param pdf_folder: PDF文件夹路径
    :param txt_folder: TXT保存路径
    :param tesseract_path: Tesseract的安装路径（指向tesseract.exe）
    """
    # 1. 检查Tesseract路径是否有效（关键：确保能找到引擎）
    if not os.path.exists(tesseract_path):
        print(f"错误：Tesseract路径不存在 -> {tesseract_path}")
        print("请检查路径是否正确，例如：C:\\Program Files\\Tesseract-OCR\\tesseract.exe")
        return

    # 2. 配置pytesseract使用指定的Tesseract路径
    pytesseract.pytesseract.tesseract_cmd = tesseract_path

    # 3. 检查PDF源文件夹
    if not os.path.exists(pdf_folder):
        print(f"错误：PDF源文件夹不存在 -> {pdf_folder}")
        return

    # 4. 创建TXT保存文件夹
    if not os.path.exists(txt_folder):
        os.makedirs(txt_folder)
        print(f"已创建TXT保存文件夹 -> {txt_folder}")

    # 5. 获取所有PDF文件
    pdf_files = [f for f in os.listdir(pdf_folder) if f.lower().endswith(".pdf")]
    if not pdf_files:
        print(f"警告：未找到PDF文件 -> {pdf_folder}")
        return

    print(f"共发现 {len(pdf_files)} 个PDF文件，开始转换（扫描版会自动OCR识别）...")

    # 6. 逐个转换（文字版直接提取，扫描版用OCR）
    for filename in pdf_files:
        pdf_path = os.path.join(pdf_folder, filename)
        txt_filename = os.path.splitext(filename)[0] + ".txt"
        txt_path = os.path.join(txt_folder, txt_filename)

        try:
            with pdfplumber.open(pdf_path) as pdf:
                all_text = ""
                for page_num, page in enumerate(pdf.pages, 1):
                    # 先尝试直接提取文字（文字版PDF）
                    page_text = page.extract_text()
                    
                    if page_text:
                        # 文字版：直接添加文本
                        all_text += f"=== 第{page_num}页（文字版） ===\n"
                        all_text += page_text + "\n\n"
                    else:
                        # 扫描版：用OCR识别（转换为图片后识别）
                        print(f"⚠️  {filename} 第{page_num}页是扫描件，正在OCR识别...")
                        # 将PDF页面转为高清图片（300dpi确保识别 accuracy）
                        img = page.to_image(resolution=300)
                        temp_img_path = "temp_page.png"  # 临时图片路径
                        img.save(temp_img_path)
                        
                        # OCR识别（支持中英文混合，lang参数可按需调整）
                        # 仅英文：lang='eng'；仅简体中文：lang='chi_sim'；混合：lang='chi_sim+eng'
                        ocr_text = pytesseract.image_to_string(
                            Image.open(temp_img_path),
                            lang='chi_sim+eng'  # 四六级资料建议用这个，兼顾中英文
                        )
                        
                        # 添加OCR结果到文本
                        all_text += f"=== 第{page_num}页（OCR识别） ===\n"
                        all_text += ocr_text + "\n\n"
                        
                        # 删除临时图片
                        os.remove(temp_img_path)

            # 保存到TXT
            with open(txt_path, "w", encoding="utf-8") as f:
                f.write(all_text)

            print(f"✅ 转换成功：{filename} -> {txt_filename}")

        except PermissionError:
            print(f"❌ {filename} 失败：权限不足（无法读取PDF或写入TXT）")
        except FileNotFoundError:
            print(f"❌ {filename} 失败：文件已被删除或移动")
        except Exception as e:
            print(f"❌ {filename} 失败：{str(e)}")


# ----------------------
# 主函数：执行转换（需手动填写Tesseract路径）
# ----------------------
if __name__ == "__main__":
    # 1. 填写你的PDF和TXT文件夹路径（双反斜杠或斜杠）
    pdf_folder = "D:\\大四上文件\\英语\\cet6_pdfs"
    txt_folder = "D:\\大四上文件\\英语\\cet6_txts"

    # 2. 关键：填写你的Tesseract安装路径（必须指向tesseract.exe）
    # 示例默认路径（64位系统）：
    tesseract_path = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
    # 如果你装在其他位置，比如D盘：
    # tesseract_path = r"D:\Software\Tesseract-OCR\tesseract.exe"

    # 执行转换
    batch_pdf_to_txt(pdf_folder, txt_folder, tesseract_path)