README.md

PDF_TO_TXT

use java ,code by others 要是没有什么特殊要求（图片解析）建议使用java的代码， io.github.jonathanlink PDFLayoutTextStripper 2.2.3 使用OCR需要配置tesseract ocr环境 or use OCR（将pdf转换成图片再解析）效果不太好

1.download tesseract on windows

https://digi.bib.uni-mannheim.de/tesseract/

2.add Tesseract-OCR dir to path

3.add TESSDATA_PREFIX to path for use of different languages

Tesseract-OCR\tessdata

4.download pytesseract for usage in python

pip install pytesseract 在python中使用pytesseract会报编码错误，所以使用命令行代码

5.download poppler Windows

https://poppler.freedesktop.org/ https://blog.alivate.com.au/poppler-windows/ 其实里面也有自带的pdftotext，但是效果不好就随意啦，这里用到里面的 pdf2image

具体思路

1、使用pdf2image将pdf转换成图片

2、将图片转换成text