其实不怎么喜欢这个标题，看了网上很多的文章，总感觉其中使用WORD是一个不是很重要的步骤，但是却是很喜欢用这样的标题。


实现这样的转换需要3个步骤
1、讲你需要的文字弄成图片，有条件的使用扫描仪，没条件的使用手机相机（但是需要保证你的图片是水平的，而且背景是均匀的，不能这边黑点那边白点）。
2、有了好的质量的图片，下面就是讲图片转换为PDF格式，要么讲图片插入WORD形成PDF，或者有条件的使用PS讲图片对比度调节下（如果是相机、手机拍摄更加需要）然后保存为PDF格式。
3、使用CAJveiwer的图片文字识别就行了。




下面举个例子：
原图：（手机拍的）


PS处理后的：




识别出来的：

  越小，而不是政府管得多和国有部l’一}比孟人。正是件随价政府w:制的I} }松‘
  才有了市场价格，才出现了个体户、乡镇}}  }}} ,私入}E..业、外资}} '}}', '}}
  国有企业形态，中国经济才不仅没有崩溃、而以.雌持」‘较高的增长速度。
还应该指出，中国过去30多年的高增长主要依赖的怂西方发达囚家过);)七
百年所创造积累的技术和管理方式，这终技术和管理恨本不可能在像，卜国
这样高度政府干预和国有部门主导的经济体中创造出来。
    政府高度干预和国有企业主导不仅不是中国经济一奇迹的原因，恰恰相
反，它们倒是“改革失败论’者所大肆浪染的中国社会敢重矛盾和不公平
现象的原因。政府控制大量的资源和政府对经济的过分干预，是官l11]’句结
的直接原因和官员腐败的主要温床，严敢腐蚀了商业文化，破坏of市场的
游戏规则。垄断性产业国有企业攫取的类断利润使得国有部门职上的.f寺遇
远超出市场的公平水平。也是收入分配不公的重要原因口如果我们能早点
开放医疗市场，允许民间资本自由进人，而不是保持国有医院的华断地位，
“看病难、看病贵，的问题绝不会如此严重。如果允许民间自由办学校、办
大学，中国的教育质量绝不会如此低，如果我们能树立宪法和法律的绝对
权威，将政府的权力严格置于法律之下，绝不可能有那么多野蛮拆迁事件
发生;如果农民真正拥有土地的所有权、绝不可能有那么多对农民.;}:地的
不公平掠夺;如果做企业是每个人的平等权利而不是政府以审批的形式赋
予一部分人的特权，官商勾结绝不会如此普遍。如果公民有真正的选举权
和言论出版自由。官员的腐败行为绝不可能如此肆无忌惮口
    因此，无论是为了未来中国经济的持续增长，还是为r解决我们面临
的种种社会矛盾，建立宾正的和谐社会，我们必须继续y持市场化方向的
改革，减少政府对资源的控制和对经济的干预，建立真正的法治社会和民
主政治。


结果还是满意的。

Python3.6实现图片文字识别和PDF转WORD
图片文字提取
- - 需求来源 - -
- - 代码实现 - -
PDF转WORD
- - 需求来源 - -
- - 代码实现 - -
窗口实现
- - 使用PyQt5创建 - -
- - 使用tkinter 创建 - -
最终实现
- - 实现说明 - -
- - 完整代码（百度AI账号自申）- -
程序打包
- - 使用pyinstaller - -

图片文字提取
- - 需求来源 - -
因为朋友抱怨图片提取文字都是限制图片且付费的，于是就想利用Python开源的优势做一个免费的程序，可以实现图片中文字的提取。
- - 代码实现 - -
参考百度图片文字识别过程：

https://blog.csdn.net/XnCSD/article/details/80786793
忽略图片压缩过程，只识别一张图片
import sys
import os
import glob
from os import path
from aip import AipOcr
from PIL import Image
def baiduOCR(picfile, outfile):
    """利用百度api识别文本，并保存提取的文字
    picfile:    图片文件名
    outfile:    输出文件
    """
    filename = path.basename(picfile)
    
    APP_ID = '***' # 刚才获取的 ID，下同
    API_KEY = '***'
    SECRECT_KEY = '***'
    client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
    
    i = open(picfile, 'rb')
    img = i.read()
    #print("正在识别图片：\t" + filename)
    message = client.basicGeneral(img)   # 通用文字识别，每天 50 000 次免费
    #message = client.basicAccurate(img)   # 通用文字高精度识别，每天 800 次免费
    #print("识别成功！")
    i.close();
    
    with open(outfile, 'a+') as fo:
        fo.writelines("+" * 60 + '\n')
        fo.writelines("识别图片：\t" + filename + "\n" * 2)
        fo.writelines("文本内容：\n")
        # 输出文本内容
        for text in message.get('words_result'):
            fo.writelines(text.get('words') + '\n')
        fo.writelines('\n'*2)
    #print("文本导出成功！")
    #print()

picfile = 'path of picture' #图片路径 
outfile = 'result.txt'
if path.exists(outfile):
    os.remove(outfile)
#lb.config(text = "图片识别...");
baiduOCR(picfile, outfile)
#lb.config(text = "图片文本提取结束！文本输出结果位于"+outfile+"文件中");

PDF转WORD
- - 需求来源 - -
微软Office和金山WPS都可以免费实现word转pdf，但是PDF转word文档需要会员或者一定费用实现全部pdf的转换。

一些在线的网站以可完成免费的pdf 转 word：

50M以内的PDF转换：  便捷PDF转换器

== 如果只是想提取PDF中的文字（不包含格式），可以使用此程序进行转换。==
- - 代码实现 - -
import sys
import importlib
importlib.reload(sys)
 
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
 
'''
解析pdf文件，获取文件中包含的各种对象
'''
 
# 解析pdf文件函数
def parse(pdf_path):
    fp = open(pdf_path, 'rb')  # 以二进制读模式打开
    # 用文件对象来创建一个pdf文档分析器
    parser = PDFParser(fp)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 连接分析器 与文档对象
    parser.set_document(doc)
    doc.set_parser(parser)
 
    # 提供初始化密码
    # 如果没有密码 就创建一个空的字符串
    doc.initialize()
 
    # 检测文档是否提供txt转换，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDf 资源管理器 来管理共享资源
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释器对象
        interpreter = PDFPageInterpreter(rsrcmgr, device)
 
        # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量
        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
 
        # 循环遍历列表，每次处理一个page的内容
        for page in doc.get_pages(): # doc.get_pages() 获取page列表
            num_page += 1  # 页面增一
            interpreter.process_page(page)
            # 接受该页面的LTPage对象
            layout = device.get_result()
            for x in layout:
                if isinstance(x,LTImage):  # 图片对象
                    num_image += 1
                if isinstance(x,LTCurve):  # 曲线对象
                    num_curve += 1
                if isinstance(x,LTFigure):  # figure对象
                    num_figure += 1
                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容
                    num_TextBoxHorizontal += 1  # 水平文本框对象增一
                    # 保存文本内容
                    with open(r'test.doc', 'a',encoding='utf-8') as f:    #生成doc文件的文件名及路径
                        results = x.get_text()
                        f.write(results)
                        f.write('\n')
        print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'
              %num_TextBoxHorizontal)
 
if __name__ == '__main__':
    pdf_path = r'test.pdf'  #pdf文件路径及文件名
    parse(pdf_path)

参考PDF转WORD过程：

https://blog.csdn.net/Initiallysunny/article/details/79960838
窗口实现
- - 使用PyQt5创建 - -
PyQt5 创建文件选择窗口

最开始了解到 PyQt5 在最近的Python图形界面实现领域较为流行，就采用了PyQt5。

但在最终的打包实现阶段出现了问题，即使在自己的电脑上打包成功，也无法在其他电脑上成功运行。详见 PyQt5打包失败建议使用tkinter

PyQt5创建文件选择窗口参考代码：

https://blog.csdn.net/humanking7/article/details/80546728
- - 使用tkinter 创建 - -
代码实现：
from tkinter import *
import tkinter.filedialog
windows = tkinter.Tk() #创建主窗口
windows.title("功能选择") #设置窗口标题
windows.geometry("400x120") #设置窗口大小
'''
活动代码部分
'''
windows.mainloop() #程序窗口循环

因为tkinter是Python自带安装的库，所以打包时可以直接pyinstall -F -w #.py
最终实现
- - 实现说明 - -
窗口负责完成文件的选择，包括图片和PDF文件。



将图片文字识别和PDF转WORD的函数，关联窗口的按钮响应，文件确定后进行相应的操作。
- - 完整代码（百度AI账号自申）- -
import sys
import os
from tkinter import *
import tkinter.filedialog

import glob
from os import path
from aip import AipOcr
from PIL import Image

import importlib
importlib.reload(sys)
 
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

root = Tk() #创建主窗口
root.title("功能选择") #设置窗口标题
root.geometry("400x120")
    
def baiduOCR(picfile, outfile):
    """利用百度api识别文本，并保存提取的文字
    picfile:    图片文件名
    outfile:    输出文件
    """
    filename = path.basename(picfile)
    
    APP_ID = '**' # 刚才获取的 ID，下同
    API_KEY = '**'
    SECRECT_KEY = '**'
    client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
    
    i = open(picfile, 'rb')
    img = i.read()
    #print("正在识别图片：\t" + filename)
    message = client.basicGeneral(img)   # 通用文字识别，每天 50 000 次免费
    #message = client.basicAccurate(img)   # 通用文字高精度识别，每天 800 次免费
    #print("识别成功！")
    i.close();
    
    with open(outfile, 'a+') as fo:
        fo.writelines("+" * 60 + '\n')
        fo.writelines("识别图片：\t" + filename + "\n" * 2)
        fo.writelines("文本内容：\n")
        # 输出文本内容
        for text in message.get('words_result'):
            fo.writelines(text.get('words') + '\n')
        fo.writelines('\n'*2)
    #print("文本导出成功！")
    #print()

 
# 解析pdf文件函数
def parse(pdf_path):
    fp = open(pdf_path, 'rb')  # 以二进制读模式打开
    # 用文件对象来创建一个pdf文档分析器
    parser = PDFParser(fp)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 连接分析器 与文档对象
    parser.set_document(doc)
    doc.set_parser(parser)
 
    # 提供初始化密码
    # 如果没有密码 就创建一个空的字符串
    doc.initialize()
 
    # 检测文档是否提供txt转换，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDf 资源管理器 来管理共享资源
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释器对象
        interpreter = PDFPageInterpreter(rsrcmgr, device)
 
        # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量
        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
 
        # 循环遍历列表，每次处理一个page的内容
        for page in doc.get_pages(): # doc.get_pages() 获取page列表
            num_page += 1  # 页面增一
            interpreter.process_page(page)
            # 接受该页面的LTPage对象
            layout = device.get_result()
            for x in layout:
                if isinstance(x,LTImage):  # 图片对象
                    num_image += 1
                if isinstance(x,LTCurve):  # 曲线对象
                    num_curve += 1
                if isinstance(x,LTFigure):  # figure对象
                    num_figure += 1
                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容
                    num_TextBoxHorizontal += 1  # 水平文本框对象增一
                    # 保存文本内容
                    with open(r'test.doc', 'a',encoding='utf-8') as f:    #生成doc文件的文件名及路径
                        results = x.get_text()
                        f.write(results)
                        f.write('\n')
        print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'
              %num_TextBoxHorizontal)

def pic():
    picfile = tkinter.filedialog.askopenfilename(initialdir='C',title='选择图片',filetypes=(("所有图片",("*.jpg","*.jpeg","*.png")),('All file','*.*')))

    if picfile != '':
        lb.config(text = "开始文字识别处理...");

        outfile = 'result.txt'
        if path.exists(outfile):
            os.remove(outfile)

        lb.config(text = "图片识别...");
        baiduOCR(picfile, outfile)
        lb.config(text = "图片文本提取结束！文本输出结果位于"+outfile+"文件中");
        
    else:
        lb.config(text = "您未选择文件！");

def pdf():
    file = tkinter.filedialog.askopenfilename(initialdir='C',title='选择PDF文件',filetypes=(("PDF文件",("*.pdf")),('All file','*.*')))
    if file != '':
        parse(file)
        lb1.config(text = "图片文本提取结束！文本输出结果位于test.doc文件中");
    else:
        lb1.config(text = "您未选择文件！");
lb = Label(root,text = '')
lb.pack()
btn1 = Button(root,text='图片识别文字提取',command = pic)
btn1.pack()
lb1 = Label(root,text = '')
lb1.pack()
btn2 = Button(root,text='PDF转WORD文档',command = pdf)
btn2.pack()
root.mainloop()

程序打包
- - 使用pyinstaller - -

将源代码和程序需要的第三方库放置在同一个文件夹下，准备打包。

命令行pip安装的第三方库位于 *:/Python/Lib/site-packages/文件夹下

Anaconda 安装的第三方库位于 *:/Anaconda/Lib/site-pacbkages/文件夹下

然后将使用到的第三方库相应的文件夹复制到和源码同一个文件夹下面。


进入命令行，进入创建的文件夹下面开始打包。


打包完成，程序会在dist文件夹下面 newform.exe





** 双击 newform.exe 就可以运行程序，还可以发送给好友。**

我们应该怎么利用图片上的文字呢？手打输入？这显然不是个有效的方法，遇到图片格式的文件，不少朋友都想将图片上的文字识别为word文档，但是苦于不知该如何操作，其实想要将图片转换成word格式很简单，在线就能完成。
首先我们打开浏览器，在百度中输入在线pdf转换器，找到迅捷pdf转换器在线转换平台并进入；


进入在线转换平台之后选择“ocr文字识别”功能；
ocr文字识别分两种，一种是图片识别，一种是pdf文件识别，大家根据自己的文件情况来选，我这里选择图片识别；


然后单击选择文件按钮，找到要识别的文件并打开；

添加好文件之后我们可以设置一下识别后文件的格式，然后单击开始转换按钮；
转换完成之后会有下载按钮用来下载识别好的文件；下载时可以设置一下文件的保存路径。
这样在线图片识别就完成啦，是不是很简单呢？赶紧自己动手试试看吧。

一次就成功，所以大家不用觉得很难。小弟也是因工作的需要，上网学了下。
首先，先下载doPDF和AJViewer这两个软件工具，并且安装好。
传送门:
doPDF:    http://rj.baidu.com/soft/detail/11503.html?ald
AJViewer:    http://www.gezila.com/ruanjian/yingyong/69986.html
然后，就可以开始我们的教学了，第一步找一张高清一点的文字图片(拍照那种)。

附图：
图片越清晰，转换的准确率就越高。
第二步，把这张图片插入到word里（步骤：插入-图片-导入你的图片），然后选择"文件-打印-打印机选择doPDF v7"，附图：点击完成会生成PDF文件。
第三步，把生成的PDF文件导入到AJViewer软件。附图:
第四步，就是最后一步了，你只须选择保存到当前的word，还是保存到新建的word。最后成果附图:认真的对比了一下，准确率还是很高的，但是还是有少部份的文字不准确。不过比起要手打一本的书的内容，哈，我还是用这个方法，然后把错误的字改改吧。
纯新手，如文章内容有什么不对的地方，请各位告知，谢谢。