下面实例都以下面的测试样例PDF为实验对象

非纯图可复制pdf

在这里插入图片描述

纯图PDF

在这里插入图片描述

TOP1：RapidOCRPDF 可识别纯图PDF也能识别加密签名的PDF 重点是开源免费

https://github.com/RapidAI/RapidOCRPDF

# 基于rapidocr_onnxruntime
pip install rapidocr_pdf[onnxruntime]

# 基于rapidocr_openvino
pip install rapidocr_pdf[openvino]

依托于RapidOCR仓库，快速提取PDF中文字，包括扫描版PDF、加密版PDF。
如果是可以直接复制的PDF，可以直接使用pdf2docx，不再重复造轮子
如果是扫描版PDF，暂时不支持版式还原，后续有空会考虑加上，日期不定。

from rapidocr_pdf import PDFExtracter

pdf_extracter = PDFExtracter()

pdf_path = 'example4.pdf'
texts = pdf_extracter(pdf_path)

print(texts)

在这里插入图片描述

[['0', '甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程中标结果公\n（招标编号：ZJGZDL-2023-04-N02）\n一、中标人信息：\n标段（包）[001]甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程：\n中标人：绍兴建元电力集团有限公司\n中标费率：下浮3.50%\n二、其他:\n绍兴建元电力集团有限公司为中标人\n三、监督部门\n本招标项目的监督部门为绍兴电力局招投标管理中心。\n四、联系方式\n招标人：嵊州市铁路项目工程建设指挥部\n地址：绍兴嵊州市\n联系人：吕先旺\n电话：18069621508\n电子邮件：544142621@qq.com\n招标代理机构：浙江广正建设项目管理有限公司\n地址：\n浙江省绍兴市越城区阳明北路80号A楼四楼4-1\n联系人：\n高强\n电话：\n13867532448\n电子邮件：\n734201819@qq.com\n%（签名）\n招标人或其招标代理机构主要负责人（项目负）\n上海有限公公\n招标人或其招标代理机构：\n（盖章）\n正建设\n浙江', '1.0']]

TOP2：RapidOCR

https://github.com/RapidAI/RapidOCR/blob/main/python/README.md

返回图片文字坐标，缺点是吞字比如“地址”中间有空格，那就只剩下址

pip install rapidocr-openvino

import cv2

# 基于onnxruntime引擎推理
from rapidocr_onnxruntime import RapidOCR

# 基于openvino引擎推理
# from rapidocr_openvino import RapidOCR

rapid_ocr = RapidOCR()

image_path = r'test_images/det_images/ch_en_num.jpg'
img = cv2.imread(image_path)

result = rapid_ocr(img)
print(result)

# result: [[文本框坐标], 文本内容, 置信度]
# 示例：[[左上, 右上, 右下, 左下], '小明', '0.99']

[[[[234.0, 243.0], [1342.0, 245.0], [1342.0, 278.0], [234.0, 276.0]], '甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程中标结果公', '0.9332083685453548'], [[[550.0, 373.0], [1029.0, 373.0], [1029.0, 404.0], [550.0, 404.0]], '（招标编号：ZJGZDL-2023-04-N02）', '0.8684982256247447'], [[[236.0, 520.0], [470.0, 520.0], [470.0, 553.0], [236.0, 553.0]], '一、中标人信息：', '0.8789092765914069'], [[[275.0, 584.0], [1304.0, 587.0], [1304.0, 616.0], [275.0, 613.0]], '标段（包）【001]甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程：', '0.9052497483029658'], [[[317.0, 648.0], [765.0, 650.0], [765.0, 679.0], [317.0, 677.0]], '中标人：绍兴建元电力集团有限公司', '0.8931425213813782'], [[[854.0, 652.0], [1125.0, 652.0], [1125.0, 679.0], [854.0, 679.0]], '中标费率：下浮3.50%', '0.9130990917866046'], [[[231.0, 708.0], [375.0, 708.0], [375.0, 746.0], [231.0, 746.0]], '二、其他：', '0.7997676829497019'], [[[275.0, 776.0], [722.0, 776.0], [722.0, 806.0], [275.0, 806.0]], '绍兴建元电力集团有限公司为中标人', '0.8584744579651776'], [[[230.0, 838.0], [424.0, 838.0], [424.0, 871.0], [230.0, 871.0]], '三、监督部门', '0.8531003594398499'], [[[275.0, 905.0], [931.0, 907.0], [931.0, 936.0], [275.0, 934.0]], '本招标项目的监督部门为绍兴电力局招投标管理中心。', '0.9024424767494201'], [[[231.0, 965.0], [426.0, 965.0], [426.0, 999.0], [231.0, 999.0]], '四、联系方式', '0.856537231377193'], [[[272.0, 1031.0], [808.0, 1031.0], [808.0, 1060.0], [272.0, 1060.0]], '招标人：嵊州市铁路项目工程建设指挥部', '0.907449650137048'], [[[269.0, 1092.0], [554.0, 1092.0], [554.0, 1125.0], [269.0, 1125.0]], '地址：绍兴嵊州市', '0.8857010867860582'], [[[272.0, 1158.0], [499.0, 1158.0], [499.0, 1189.0], [272.0, 1189.0]], '联系人：吕先旺', '0.8230159357190132'], [[[269.0, 1219.0], [572.0, 1219.0], [572.0, 1255.0], [269.0, 1255.0]], '电话：18069621508', '0.861527951558431'], [[[274.0, 1285.0], [642.0, 1288.0], [642.0, 1317.0], [274.0, 1314.0]], '电子邮件：544142621@qq.com', '0.8745031627741727'], [[[272.0, 1414.0], [860.0, 1415.0], [860.0, 1442.0], [272.0, 1441.0]], '招标代理机构：浙江广正建设项目管理有限公司', '0.8812997422435067'], [[[270.0, 1475.0], [400.0, 1475.0], [400.0, 1506.0], [270.0, 1506.0]], '地址：', '0.6634502410888672'], [[[425.0, 1476.0], [1023.0, 1478.0], [1023.0, 1507.0], [425.0, 1505.0]], '浙江省绍兴市越城区阳明北路80号A楼四楼4-1', '0.9236887022852898'], [[[271.0, 1539.0], [399.0, 1539.0], [399.0, 1569.0], [271.0, 1569.0]], '联系人：', '0.7682173609733581'], [[[425.0, 1539.0], [487.0, 1539.0], [487.0, 1572.0], [425.0, 1572.0]], '高强', '0.6602717439333597'], [[[272.0, 1602.0], [395.0, 1602.0], [395.0, 1633.0], [272.0, 1633.0]], '电话：', '0.6151802241802216'], [[[429.0, 1607.0], [580.0, 1607.0], [580.0, 1631.0], [429.0, 1631.0]], '13867532448', '0.8511685977379481'], [[[272.0, 1667.0], [400.0, 1667.0], [400.0, 1697.0], [272.0, 1697.0]], '电子邮件：', '0.8247281511624655'], [[[423.0, 1668.0], [651.0, 1672.0], [650.0, 1698.0], [422.0, 1694.0]], '734201819@qq.com', '0.8944980712497935'], [[[287.0, 1856.0], [969.0, 1857.0], [969.0, 1890.0], [287.0, 1889.0]], '招标人或其招标代理机构主要负责人（项目负渍）', '0.8924457275349161'], [[[1204.0, 1851.0], [1324.0, 1859.0], [1322.0, 1894.0], [1201.0, 1886.0]], '(签名）', '0.6426429867744445'], [[[810.0, 1869.0], [1048.0, 1869.0], [1048.0, 1965.0], [810.0, 1965.0]], '上海有限公司', '0.5217027813196182'], [[[586.0, 1980.0], [960.0, 1984.0], [959.0, 2021.0], [586.0, 2017.0]], '招标人或其招标代理机构：', '0.8668517562059256'], [[[1224.0, 1984.0], [1327.0, 1984.0], [1327.0, 2022.0], [1224.0, 2022.0]], '（盖章）', '0.7459386944770813'], [[[823.0, 2015.0], [925.0, 2119.0], [867.0, 2177.0], [764.0, 2073.0]], '正建设', '0.7470083683729172'], [[[914.0, 2103.0], [1016.0, 2071.0], [1036.0, 2138.0], [934.0, 2169.0]], '浙江', '0.6646498640378317']]
[1.0869998931884766, 0.03599905967712402, 2.7240045070648193]

TOP3：百度 OCR API

可以使用百度 OCR API 将 PDF 转成图片，然后再使用 OCR API 进行文字识别。具体步骤如下：

安装百度 OCR SDK

首先，需要在 Python 环境中安装百度 OCR SDK。可以使用以下命令安装：

pip install baidu-aip

获取百度 OCR API 的 APP ID、API Key 和 Secret Key

在使用百度 OCR API 进行文字识别之前，需要先获取 APP ID、API Key 和 Secret Key。具体步骤如下：

在百度开发者中心创建一个账号，并登录。

在控制台中创建一个新的 OCR 应用，并获取 APP ID、API Key 和 Secret Key。将 PDF 转成图片
可以使用 pdf2image 库将 PDF 转成图片，具体步骤如下：
使用百度 OCR API 进行文字识别
可以使用百度 OCR SDK 的 AipOcr 类进行文字识别，具体步骤如下：

from pdf2image import convert_from_path
from aip import AipOcr
import os
APP_ID = 'your_app_id'
API_KEY = 'your_api_key'
SECRET_KEY = 'your_secret_key'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
def baidu_ocr(fname):
	f = open('result.txt', 'w', encoding='utf-8')
	dirname = fname.rsplit('.', 1)[0]
	if not os.path.exists(dirname):
		os.mkdir(dirname)
	images = convert_from_path(fname, fmt='png', output_folder=dirname)

	for img in images:
		with open(img.filename, 'rb') as fimg:
			img = fimg.read() # 根据'PIL.PngImagePlugin.PngImageFile'对象的filename属性读取图片为二进制

		# msg = client.basicGeneral(img)
		# for i in msg.get('words_result'):
		# 	f.write('{}\n'.format(i.get('words')))
		# f.write('\f\n')
	f.close()

baidu_ocr('example.pdf')

在上面的代码中，使用 AipOcr 类初始化百度 OCR API，并调用 client.basicGeneral() 函数进行文字识别。在调用 client.basicGeneral() 函数时，需要传入图片的二进制数据，可以使用 Python 内置的 open() 函数读取图片文件，并将其转换为二进制格式。

OCR API 可以返回识别结果的 JSON 数据，包含识别结果、置信度等信息。在上面的代码中，可以通过遍历 result[‘words_result’] 列表获取识别结果。

甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程中标结果公
告
(招标编号：ZJGZDI.-2023-04-02)
一、中标人信息：
标段（包）[001]甬金铁路涉及220千伏岩礼4R92线岩泉4R93线#21-#23塔迁改工程：
中标人：绍兴建元电力集团有限公司
中标费率：下浮3.50%
二、其他：
绍兴建元电力集团有限公司为中标人
三、监督部门
本招标项目的监督部门为绍兴电力局招投标管理中心。
四、联系方式
招标人：嵊州市铁路项目工程建设指挥部
地址：绍兴嵊州市
联系人：吕先旺
电话：1S069621508
电子邮件：544142621@q4.c0m
招标代理机构：浙江广正建设项日管理有限公司
地址：浙江省绍兴市越城区阳明北路$0号A楼四楼1
联系人：高强
电话：13867532448
电子邮件：734201819@44.com
招标人或其招标代理机构主要负责人
招标人或其招标纸理机
(盖章)
/

在上面的代码中，也可以使用 io.BytesIO() 函数将图片转换为字节流，并调用百度 OCR API 进行文字识别。最后，将识别结果输出到控制台，问题是有错误，比如邮箱这里，并且付费，大概一万次一百。

TOP4：pytesseract：一种基于 Python 的 OCR 库，可用于识别扫描版 PDF 和图片 PDF 中的文本。

它可以使用 Google 的 OCR 引擎进行识别，也可以使用本地的 OCR 引擎进行识别。使用 pytesseract 需要安装 Tesseract OCR 引擎和 pytesseract 库，可以通过以下命令安装：

pip install pytesseract
sudo apt-get install tesseract-ocr

然后，可以使用以下代码进行 PDF 中文文本的 OCR 识别：

import pytesseract
from pdf2image import convert_from_path
import os
pytesseract.pytesseract.tesseract_cmd = r'D:\software2\Tesseract\tesseract.exe'
custom_config = r'--tessdata-dir D:\software2\Tesseract\tessdata'

os.chdir(os.getcwd())

def tess_ocr(fname, lang):
	# 将pdf转换为png后，保存在dirname文件夹
	dirname = fname.rsplit('.', 1)[0]
	if not os.path.exists(dirname):
		os.mkdir(dirname)
	images = convert_from_path(fname, fmt='png', output_folder=dirname)
	text = ''
	for img in images:
		text += pytesseract.image_to_string(img, lang=lang)

	with open('result1.txt', 'w', encoding='utf-8') as f:
		f.write(text)
	return text

fname = 'example.pdf'
text = tess_ocr(fname, lang='chi_sim')
print(text)

可以识别纯图PDF的

用 銮 银 路 涉 及 220 千 伏 岩 礼 4R92 线 宪 泉 4R93 线 #21-423 塔 迂 改 工 程 中 标 结 果 公
吊
门
( 招 标 编 号 : ZJGZDL-2023-04-%02 )

一 、 中 标 人 信 息 :
标 段 ( 包 ) [0011 用 金 铁 路 涉 及 220 十 伏 岩 礼 4R92 线 宏 泉 4R93 线 #21-#23 塔 迁 改 工 程 :
中 标 人 : 绍 兴 建 元 申 力 集 团 有 限 公 司 中 标 费 率 , 下 泽 3. 508
二、 其他=
绍 兴 建 元 电 力 集 团 有 限 公 司 为 中 标 人
三 、 监 督 部 门
本 招 标 项 目 的 监 督 部 门 为 绍 兴 电 力 局 招 投 征
四 、 联 系 方 式
招 标 人 : 嵊 州 市 铁 路 项 目 工 程 建 设 指
地 “ 址 , 绍 兴 嵊 州 市
哑 系 人 : 吕 先 旺
田 话 : 18069621508
电 子 邮 件 : 5441426216qq. com
招 标 代 理 机 构 : 浙 江 广 正 建 设 顺 目 管 理 有 限 公 司
地 址 : 浙 江 省 绍 兴 市 越 城 区 阳 明 北 路 80 号 A 楼 匹 楼 L-1
联 系 人 : 高 强
电 话 : 13867532448
电 子 邮 件 : 734201819&dd. com
招 标 人 或 兰

下面基本都没法识别纯图PDF，但没有全面测试

PyPDF2：一种用于处理 PDF 文件的 Python 库，可以用于读取扫描版 PDF 中的文本。

使用 PyPDF2 需要安装 PyPDF2 库，可以通过以下命令安装：

pip install PyPDF2

然后，可以使用以下代码读取 PDF 中的文本：

import PyPDF2

# 打开 PDF 文件
with open('example.pdf', 'rb') as f:
    pdf_reader = PyPDF2.PdfReader(f)

    # 读取 PDF 中的文本
    text = ''
    for page in pdf_reader.pages:
        text += page.extract_text()

print(text)

商品房预售许可公告（2023年1月）
    依据《城市商品房预售管理办法》和《锦州市商品房预售资金监督管理实施意见（试行）》有关
规定，经以下开发企业申请，市住建局审查资料齐全，条件符合，已为其办理商品房预售许可证，现
予以公告。
预售许可证号发证日期 项目名称 项目座落地址 开发单位房屋用
途性质
锦房预售证第
202301号2023年1月20日宏业大都会A区重庆路二段18号1#、2#、
3#、4#、5#、6#、7#、8#
、9#、16#、17#楼128户商
业锦州中鼎乐天置
业有限公司商业

pdfminer：一种用于提取 PDF 中文本和元数据的 Python 库。

使用 pdfminer 需要安装 pdfminer 库，可以通过以下命令安装：

pip install pdfminer

然后，可以使用以下代码提取 PDF 中的文本：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

# 打开 PDF 文件
with open('example.pdf', 'rb') as f:
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)
    interpreter = PDFPageInterpreter(rsrcmgr, device)

    # 读取 PDF 中的文本
    for page in PDFPage.get_pages(f):
        interpreter.process_page(page)

    text = retstr.getvalue()

print(text)

商品房预售许可公告（2023年1月）
    依据《城市商品房预售管理办法》和《锦州市商品房预售资金监督管理实施意见（试行）》有关
规定，经以下开发企业申请，市住建局审查资料齐全，条件符合，已为其办理商品房预售许可证，现
予以公告。

预售许可证号 发证日期

项目名称

项目座落地址

开发单位

锦房预售证第
202301号

2023年1月20日 宏业大都会A区

重庆路二段18号1#、2#、
3#、4#、5#、6#、7#、8#
、9#、16#、17#楼128户商
业

锦州中鼎乐天置
业有限公司

textract：一种用于提取 PDF 中文本和元数据的 Python 库，支持多种文件格式。

使用 textract 需要安装 textract 库和相应的依赖库，可以通过以下命令安装：

pip install textract
sudo apt-get install python-dev libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr flac ffmpeg lame libmad0 libsox-fmt-mp3 sox libjpeg-dev swig

然后，可以使用以下代码提取 PDF 中的文本：

import textract

# 读取 PDF 中的文本
text = textract.process('example.pdf', method='tesseract', language='chi_sim')

print(text)
OCR.space API：一种基于云的 OCR 服务，提供了 Python API。使用 OCR.space API 需要注册 OCR.space 帐户并获取 API 密钥，然后可以使用以下代码进行 OCR 识别：

import requests

# OCR.space API 的 URL 和 API 密钥
url = 'https://api.ocr.space/parse/image'
api_key = 'YOUR_API_KEY'

# 读取 PDF 中的图像
pages = convert_from_path('example.pdf')

# 识别 PDF 中的文本
text = ''
for page in pages:
    # 将图像上传到 OCR.space API 进行识别
    response = requests.post(url, files={'file': ('image.png', page, 'image/png')}, data={'apikey': api_key})

    # 解析 OCR.space API 的响应，并获取识别结果
    result = response.json()
    if result['IsErroredOnProcessing']:
        print(result['ErrorMessage'])
    else:
        text += result['ParsedResults'][0]['ParsedText']

print(text)

PyMuPDF：一种用于处理 PDF 文件的 Python 库，可以用于进行 PDF OCR 识别和文字搜索。

使用 PyMuPDF 需要安装 PyMuPDF 库，可以通过以下命令安装：

pip install PyMuPDF

然后，可以使用以下代码进行 PDF OCR 识别：

import fitz

# 打开 PDF 文件
doc = fitz.open('example.pdf')

# 对 PDF 进行 OCR 识别
for page in doc:
    page.run_ocr()
    text = page.get_text()

print(text)
也可以使用以下代码进行 PDF 文字搜索：

import fitz

# 打开 PDF 文件
doc = fitz.open('example.pdf')

# 搜索 PDF 中的文本
for page in doc:
    text_instances = page.search_for('search_text')
    for inst in text_instances:
        highlight = page.add_highlight_annot(inst)
        highlight.update()

# 保存修改后的 PDF 文件
doc.save('example_highlighted.pdf')

pdfplumber：一种用于提取 PDF 中文本和元数据的 Python 库，支持多种文件格式。使用 pdfplumber 需要安装 pdfplumber 库，可以通过以下命令安装：

pip install pdfplumber

然后，可以使用以下代码进行 PDF OCR 识别：

import pdfplumber

# 打开 PDF 文件
with pdfplumber.open('example.pdf') as pdf:
    # 对 PDF 进行 OCR 识别
    for page in pdf.pages:
        text = page.extract_text()

print(text)
# 也可以使用以下代码进行 PDF 文字搜索：

import pdfplumber

# 打开 PDF 文件
with pdfplumber.open('example.pdf') as pdf:
    # 搜索 PDF 中的文本
    for page in pdf.pages:
        text_instances = page.find('search_text')
        for inst in text_instances:
            page.add_rectangle(inst['x0'], inst['top'], inst['x1'], inst['bottom'], fill=None, stroke_width=1)

    # 保存修改后的 PDF 文件
    pdf.save('example_highlighted.pdf')

商品房预售许可公告（2023年1月）
依据《城市商品房预售管理办法》和《锦州市商品房预售资金监督管理实施意见（试行）》有关
规定，经以下开发企业申请，市住建局审查资料齐全，条件符合，已为其办理商品房预售许可证，现
予以公告。
房屋用
预售许可证号 发证日期 项目名称 项目座落地址 开发单位
途性质
重庆路二段18号1#、2#、
锦房预售证第 锦州中鼎乐天置
2023年1月20日 宏业大都会A区 3#、4#、5#、6#、7#、8# 商业
202301号 业有限公司
、9#、16#、17#楼128户商
业

PyPDF2：一种用于处理 PDF 文件的 Python 库，可以用于进行 PDF OCR 识别和文字搜索。使用 PyPDF2 需要安装 PyPDF2 库，可以通过以下命令安装：

pip install PyPDF2

然后，可以使用以下代码进行 PDF OCR 识别：

import PyPDF2

# 打开 PDF 文件
with open('example.pdf', 'rb') as f:
    pdf_reader = PyPDF2.PdfReader(f)

    # 对 PDF 进行 OCR 识别
    for page in pdf_reader.pages:
        text = page.extract_text()

print(text)
也可以使用以下代码进行 PDF 文字搜索：

import PyPDF2

# 打开 PDF 文件
with open('example.pdf', 'rb') as f:
    pdf_reader = PyPDF2.PdfReader(f)

    # 搜索 PDF 中的文本
    for page in pdf_reader.pages:
        if 'search_text' in page.extract_text():
            # TODO: 处理搜索结果
            pass

商品房预售许可公告（2023年1月）
    依据《城市商品房预售管理办法》和《锦州市商品房预售资金监督管理实施意见（试行）》有关
规定，经以下开发企业申请，市住建局审查资料齐全，条件符合，已为其办理商品房预售许可证，现
予以公告。
预售许可证号发证日期 项目名称 项目座落地址 开发单位房屋用
途性质
锦房预售证第
202301号2023年1月20日宏业大都会A区重庆路二段18号1#、2#、
3#、4#、5#、6#、7#、8#
、9#、16#、17#楼128户商
业锦州中鼎乐天置
业有限公司商业

Adobe Acrobat DC Pro：Adobe Acrobat DC Pro 是一款功能强大的 PDF 编辑器，可以用于进行 PDF OCR 识别和文字搜索。

可以使用 Python 调用 Adobe Acrobat DC Pro 的 COM 接口来进行操作。具体步骤如下：

首先，需要在 Windows 系统中安装 Adobe Acrobat DC Pro，并打开“编辑”-“首选项”-“JavaScript”选项卡，启用“对外部 JavaScript 的调用”选项。

然后，可以使用以下代码进行 PDF OCR 识别：

import win32com.client
# 创建 Adobe Acrobat DC Pro 的 COM 对象
acrobat = win32com.client.Dispatch('AcroExch.App')

# 打开 PDF 文件
doc = win32com.client.Dispatch('AcroExch.PDDoc')
doc.Open('example.pdf')

# 对 PDF 进行 OCR 识别
for i in range(doc.GetNumPages()):
    page = doc.AcquirePage(i)
    pageOCR = win32com.client.Dispatch('AcroOCRPage')
    pageOCR.tesseractLanguage = 'chi_sim'
    pageOCR.bRecognizeText = True
    pageOCR.Recognize(page)
    text = pageOCR.GetText()

print(text)
也可以使用以下代码进行 PDF 文字搜索：

import win32com.client

# 创建 Adobe Acrobat DC Pro 的 COM 对象
acrobat = win32com.client.Dispatch('AcroExch.App')

# 打开 PDF 文件
doc = win32com.client.Dispatch('AcroExch.PDDoc')
doc.Open('example.pdf')

# 搜索 PDF 中的文本
search_text = 'search_text'
search = win32com.client.Dispatch('AcroExch.PDTextSelect')
search.pageNum = 0
search.charIndex = 0
search.query(search_text)
while search.findNext():
    # TODO: 处理搜索结果
    pass

Tika：一种用于提取 PDF 中文本和元数据的 Python 库，支持多种文件格式。使用 Tika 需要安装 Tika 库和 Java 运行环境，可以通过以下命令安装：

pip install tika
sudo apt-get install default-jdk

然后，可以使用以下代码进行 PDF OCR 识别：

from tika import parser

# 读取 PDF 文件
with open('example.pdf', 'rb') as f:
    # 对 PDF 进行 OCR 识别
    text = parser.from_file(f, language='chi_sim')['content']

print(text)
也可以使用以下代码进行 PDF 文字搜索：

from tika import parser

# 读取 PDF 文件
with open('example.pdf', 'rb') as f:
    # 搜索 PDF 中的文本
    search_text = 'search_text'
    text = parser.from_file(f, xmlContent=True)['content']
    if search_text in text:
        # TODO: 处理搜索结果
        pass