最近在整理文档，需要将文档进行OCR识别，然后结构化。直接解析pdf文档，行不通，因为文档里面是图片。于是采取先转图片，然后OCR，然后结构化。下面是pdf文档转图片的方法。

import fitz  # PyMuPDFdef pdf_to_images(pdf_path, images_folder):# 打开PDF文件document = fitz.open(pdf_path)for page_num in range(len(document)):# 获取页面page = document[page_num]# 将页面渲染为图片，默认输出为RGB颜色空间，96 DPIpix = page.get_pixmap(dpi=300)# 图片文件名image_name = f"page_{page_num + 1}.png"image_path = f"{images_folder}/{image_name}"# 保存图片pix._writeIMG(image_path, format_="JPG", jpg_quality=300)# 关闭PDF文档document.close()# 使用示例
pdf_path = 'example.pdf'  # PDF文件路径
images_folder = 'images'  # 图片保存文件夹
pdf_to_images(pdf_path, images_folder)

清晰度可以通过dpi参数控制。

如果你还没有安装 pymupdf，请安装：

pip install pymupdf