有些PDF页面是图片格式，要怎么批量把图片中的文字识别出来？借助ChatGPT可以轻松完成这个任务。

首先要安装一些相关的软件和Python库。

安装tesseract-ocr（OCR）软件，最新版的是tesseract-ocr-w64-setup-v5.3.0.20221214.exe ，下载地址是https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.3.0.20221214.exe

要从图片中识别字符，就得使用光学字符识别（OCR）技术。

注意安装中文字库。

然后把D:\Program Files (x86)\TesseractOCR 添加到环境变量。

安装OCR库：：pip install pytesseract

安装poppler-windows软件。Poppler 是一个用来生成 PDF 的 C++ 类库，从 xpdf 继承而来。它使用了很多先进的类库例如 freetype 和 cairois 来达到更好的输出效果，同时也提供了一组命令行工具包。下载地址：https://github.com/oschwartz10612/poppler-windows/releases/tag/v23.07.0-0

安装完成后，添加到系统环境变量：D:\Program Files (x86)\poppler-23.07.0\Library\bin

然后在ChatGPT中输入提示词：

写一段Python程序，实现PDF文件中图片识别出文字的任务。具体步骤如下：

F盘“北交所精选层招股说明书”文件夹里面有很多PDF文件，用pdf2image库将PDF文件第一页转为PNG图片，保存图片到“北交所精选层招股说明书”文件夹；

用pytesseract库将图片识别为文本，保存文本文件到“北交所精选层招股说明书”文件夹；

注意：每一步都要输出信息；图片中的文本为中文字符；

这是PDF文件中的图片：

这是识别出的文字：

效果还是不错的。