当前位置：首页 > news >正文

pdf 不是扫描件，但却无法搜索关键词【问题尝试解决未果记录】

news 来源：原创 2025/5/13 9:09:29

一、不是扫描件但不能搜索的原因

1. 情况一：文字被转成了“图形文字”

有些PDF文件虽然看起来像是文字，其实是图片或者矢量图格式，不能直接搜索。

2. 情况二：PDF被加密

有些PDF设置了“内容复制/提取”权限受限，即使你能阅读，但不能搜索、复制或选择文字。
这通常是加密的一种表现。

3. 情况三：PDF嵌入了字体，但不是真正的文本

有时PDF作者用的特殊软件或字体，会让文字显示正常，但实际上是不可识别的字符

二、解决方法

1. 方法一：使用OCR软件将内容转为可搜索文字

即使不是扫描件，也可以用 OCR 工具强制识别为文字。

推荐工具：

Adobe Acrobat Pro（有“识别文本”功能）
ABBYY FineReader
PaddleOCR（开源免费，适合懂技术的人）
PDF-XChange Editor（轻量好用，有OCR功能）

2. 方法二：查看是否有加密限制，并尝试解除

步骤（用Adobe Acrobat Pro为例）：

打开PDF文件；
点击顶部菜单 文件(File) → 属性(Properties)；
在“安全(Security)”标签下查看权限；
- 如果显示：“不能复制内容”，“不能提取内容”等限制，说明有加密。

如何解密：

若只是“权限密码”（不需要打开文件时输入密码），可以尝试以下方式解除：
- 使用 Smallpdf、iLovePDF、PDFCandy 等在线解密工具；
- 使用 Adobe Acrobat Pro：
  - 打开文件；
  - 使用“另存为”（Save As）时，取消安全设置；
  - 前提是你知道权限密码，或权限设置很弱。

3. 方法三：复制部分文本，看是否能粘贴成正常文字

复制几行粘贴到记事本或Word里；
如果出现乱码或空白，说明PDF内容不可选或被加密/格式特殊。

三、小测试：快速判断是否可选中内容

鼠标拖动文件中的文字：
- 如果能高亮，说明不是扫描图；
- 如果不能，可能是扫描件或“图形文字”；
如果能高亮但不能搜索，通常是权限限制或内容不是标准文字编码。

以上内容由 ai 生成，仅供记录与参考

四、笔者问题

菏泽统计年鉴2018.pdf 无法搜索关键字，而且也不是扫描图片，但根据PDF的底层信息，它可能采用了一种“图片+不可选文字”的方式嵌入内容，或者存在字体嵌入保护或文本被转为图形对象的问题。

五、关键词无法搜索的常见原因：

PDF中的文字被转换成图形或路径（即使看起来像文字，实际上是“画”出来的，不能搜索）。
字体嵌入或加密，阻止复制和搜索。
文字层被隐藏或丢失。
使用了不标准的编码方式或旧格式导出

六、解决方法建议

方法一：用Adobe Acrobat OCR识别（适合官方方式）

用 Adobe Acrobat 打开该 PDF。
菜单栏选择：工具 > 扫描和OCR > 识别文本。
识别后保存，这样文字就可以被搜索和复制了。

效果不好，只能识别后是空白，且文字识别错误率高

方法二：用免费的工具进行OCR识别

使用网站：Free Online OCR - Image to text and PDF to Doc converter
或用免费的桌面软件：
- PDF24 Creator（支持OCR识别和输出可搜索PDF）
- FreeOCR（适合基础识别）
笔者安装 PDF24 Creator 后，仅识别出200多个汉字，效果不好

方法三：用Python批量处理（适合技术用户）[本文讲解重点]

如果你会用Python，可以用tesserocr或PyMuPDF结合OCR处理整个PDF文档

一）版本1

1. 功能说明

该 Python 脚本会：

1）用 PyMuPDF 将 PDF 每页渲染为图像；

2）用 pytesseract 识别图像中的中文文字；

3）用 pytesseract.image_to_pdf_or_hocr() 生成带文字层的 PDF；

4）合并成一个新的 可搜索 PDF 文件。

2. 环境依赖

1）打开 powershell

win+r 打开运行，搜索 powershell 打开 Windows PowerShell

开头有“PS”，就代表打开的是 powershell 没错

2）确保安装好以下 python库：pytesseract、pymupdf 和 pillow

在 powershell 中输入：

 C:\Users\19025\AppData\Local\Programs\Python\Python313\python.exe -m pip install pytesseract pymupdf pillow# C:\Users\19025\AppData\Local\Programs\Python\Python313\  替换为本地 python 环境的路径

(1) 为什么要用本地python环境？

因为还要安装Tesseract OCR 引擎本体，发现好像只能在本地环境运行才能链接Tesseract OCR

(2) 如何找到本地 python 环境路径？

在powershell中输入

python --version

找到本地 python 版本

在任务栏里搜索 python，找到对应的 python 版本，笔者本地只安装了一个版本，所以不用找

打开文件位置后，这里出现的是快捷方式的路径

右击 python 3.13，点击 打开文件所在的位置

这里就是python主程序所在的路径了

复制路径，替换即可

3）安装 Tesseract OCR 引擎本体，并配置中文语言包

（1）安装 Tesseract：

Windows 下载地址：https://github.com/tesseract-ocr/tesseract/releases

点击 .exe，自动开始下载

下载完成后，点击安装包开始安装

安装时，取消勾选“Training Tools”，勾选"Additional language data(download)"，最好别修改安装路径

安装完成后，进入：

C:\Program Files\Tesseract-OCR\tessdata

如果你能看到 chi_sim.traineddata 文件，就说明中文支持安装成功。

（2）添加系统环境变量

A. 复制 Tesseract 的安装路径

默认安装路径是：

C:\Program Files\Tesseract-OCR

B. 添加到系统PATH中

Windows 11 / 10 操作：

a. 在“开始”菜单搜索 “环境变量”，点击“编辑系统环境变量”；

b. 在弹出窗口中点击右下角“环境变量(N)...”；

c. 在“系统变量”区域找到 Path，点击“编辑”；

d. 点击“新建”，粘贴路径：

C:\Program Files\Tesseract-OCR

e. 点击“确定”保存所有窗口。

C. 验证是否配置成功

a. 打开 命令提示符（cmd），输入：

tesseract -v

b. 如果输出版本信息，说明配置成功，例如：

tesseract v5.5.0.20241111leptonica-1.85.0
...

3. python 脚本

import fitz  # PyMuPDF
import pytesseract
from PIL import Image
import io# 打开原始PDF
input_pdf_path = "D:/test/菏泽统计年鉴2018.pdf"
output_pdf_path = "D:/test/菏泽统计年鉴2018_OCR.pdf"
doc = fitz.open(input_pdf_path)# 创建空的输出PDF
ocr_doc = fitz.open()# 遍历每页进行OCR识别
for i, page in enumerate(doc):print(f"OCR 第 {i + 1} 页...")# 渲染页面为图片pix = page.get_pixmap(dpi=300)img = Image.open(io.BytesIO(pix.tobytes("png")))# 使用 Tesseract OCR 识别中文，并生成 PDF 格式pdf_bytes = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')ocr_page = fitz.open("pdf", pdf_bytes)# 插入到新PDF中ocr_doc.insert_pdf(ocr_page)# 保存新PDF
ocr_doc.save(output_pdf_path)
ocr_doc.close()
print(f"✅ OCR 处理完成，输出文件：{output_pdf_path}")

存在问题：现在搜索只能搜到单个字，搜索多个字的词组（如“进口额”）搜不到

这是因为：Tesseract 生成的 OCR PDF 中文本层之间的汉字是分开的，每个字之间实际上被插入了不可见字符（如空格、换行、透明块）。

二）版本2

扫描版统计年鉴 PDF，通过 OCR 转为可搜索文本，然后批量搜索关键词（支持词组），并输出在哪一页找到了

1. 功能说明

使用 PyMuPDF 打开 PDF；
每页图片化，用 Tesseract OCR 识别中文；
提取 OCR 文本并清洗；
搜索关键词（支持词组和模糊匹配）；
输出匹配结果和所在页码。

2. 脚本代码

import fitz  # PyMuPDF
import pytesseract
from PIL import Image
import io
import re# ====== 设置路径 ======
input_pdf_path = "D:/test/菏泽统计年鉴2018.pdf"
output_pdf_path = "D:/test/菏泽统计年鉴2018_OCR1.pdf"
keyword_file = "D:/test/keywords.txt"  # 每行一个关键词# ====== 加载关键词 ======
with open(keyword_file, "r", encoding="utf-8") as f:keywords = [line.strip() for line in f if line.strip()]# ====== 打开原始 PDF ======
doc = fitz.open(input_pdf_path)
ocr_doc = fitz.open()# ====== OCR 识别每一页并生成新 PDF ======
print("[*] 开始 OCR 处理...")
for i, page in enumerate(doc):print(f" - 正在识别第 {i+1} 页...")pix = page.get_pixmap(dpi=300)img = Image.open(io.BytesIO(pix.tobytes("png")))# OCR 识别中文，输出 PDF 页pdf_bytes = pytesseract.image_to_pdf_or_hocr(img, lang='chi_sim', extension='pdf')ocr_page = fitz.open("pdf", pdf_bytes)ocr_doc.insert_pdf(ocr_page)# 保存 OCR 后的 PDF
ocr_doc.save(output_pdf_path)
ocr_doc.close()
doc.close()
print(f"[✓] OCR 完成，已保存到：{output_pdf_path}")# ====== 提取文本并搜索关键词 ======
print("\n[*] 正在搜索关键词...\n")
ocr_doc = fitz.open(output_pdf_path)# 记录匹配结果
results = []for page_num, page in enumerate(ocr_doc, start=1):text = page.get_text()clean_text = re.sub(r"\s+", "", text)  # 清洗不可见字符for kw in keywords:if kw in clean_text:results.append((kw, page_num, "精确"))else:pattern = ".*".join(list(kw))  # 模糊匹配：每个字之间允许有干扰if re.search(pattern, clean_text):results.append((kw, page_num, "模糊"))ocr_doc.close()# ====== 输出结果 ======
if results:for kw, page_num, match_type in results:print(f"[{match_type}] 第 {page_num} 页 找到：{kw}")
else:print("未找到任何关键词。")

3. keywords.txt 示例

放在 D:/test/keywords.txt，每行一个关键词：

地区生产总值
固定资产投资总额
总人口
第一产业增加值
第二产业增加值
第三产业增加值
地方财政收入
进口额
出口额
全年水资源总量
人均粮食产量
粮食产量
能源消费总量
人均用水量
森林覆盖率
耕地面积
二氧化硫年均浓度
细颗粒物年均浓度
化肥施用量
人口密度
空气质量综合指数

附上查找结果：查找.txt

[精确] 第 7 页 找到：地区生产总值
[精确] 第 7 页 找到：总人口
[模糊] 第 11 页 找到：地区生产总值
[模糊] 第 11 页 找到：总人口
[模糊] 第 11 页 找到：第一产业增加值
[模糊] 第 11 页 找到：第二产业增加值
[模糊] 第 11 页 找到：第三产业增加值
[精确] 第 11 页 找到：地方财政收入
[模糊] 第 12 页 找到：地区生产总值
[模糊] 第 12 页 找到：总人口
[模糊] 第 12 页 找到：进口额
[模糊] 第 12 页 找到：出口额
[模糊] 第 13 页 找到：总人口
[模糊] 第 13 页 找到：进口额
[精确] 第 14 页 找到：地区生产总值
[模糊] 第 14 页 找到：固定资产投资总额
[模糊] 第 14 页 找到：总人口
[模糊] 第 14 页 找到：第一产业增加值
[模糊] 第 14 页 找到：进口额
[模糊] 第 14 页 找到：出口额
[模糊] 第 17 页 找到：总人口
[模糊] 第 17 页 找到：人均用水量
[模糊] 第 18 页 找到：全年水资源总量
[模糊] 第 18 页 找到：能源消费总量
[精确] 第 21 页 找到：地区生产总值
[精确] 第 21 页 找到：第一产业增加值
[精确] 第 21 页 找到：第二产业增加值
[精确] 第 21 页 找到：第三产业增加值
[模糊] 第 21 页 找到：粮食产量
[精确] 第 22 页 找到：地区生产总值
[模糊] 第 23 页 找到：固定资产投资总额
[模糊] 第 23 页 找到：地方财政收入
[模糊] 第 23 页 找到：进口额
[模糊] 第 23 页 找到：出口额
[模糊] 第 24 页 找到：总人口
[模糊] 第 24 页 找到：进口额
[模糊] 第 24 页 找到：出口额
[模糊] 第 24 页 找到：二氧化硫年均浓度
[模糊] 第 24 页 找到：细颗粒物年均浓度
[精确] 第 29 页 找到：地区生产总值
[精确] 第 29 页 找到：总人口
[精确] 第 29 页 找到：第一产业增加值
[精确] 第 29 页 找到：第二产业增加值
[精确] 第 29 页 找到：第三产业增加值
[模糊] 第 29 页 找到：耕地面积
[精确] 第 29 页 找到：人口密度
[模糊] 第 31 页 找到：固定资产投资总额
[模糊] 第 32 页 找到：总人口
[精确] 第 33 页 找到：地区生产总值
[精确] 第 33 页 找到：第一产业增加值
[精确] 第 33 页 找到：第二产业增加值
[精确] 第 33 页 找到：第三产业增加值
[精确] 第 34 页 找到：地区生产总值
[精确] 第 37 页 找到：总人口
[精确] 第 38 页 找到：化肥施用量
[精确] 第 40 页 找到：耕地面积
[精确] 第 41 页 找到：耕地面积
[模糊] 第 52 页 找到：粮食产量
[模糊] 第 280 页 找到：总人口
[模糊] 第 286 页 找到：总人口
[精确] 第 445 页 找到：进口额
[精确] 第 445 页 找到：出口额
[精确] 第 533 页 找到：地区生产总值
[模糊] 第 533 页 找到：总人口
[模糊] 第 533 页 找到：第一产业增加值
[模糊] 第 533 页 找到：第二产业增加值
[模糊] 第 533 页 找到：第三产业增加值
[精确] 第 534 页 找到：地区生产总值
[模糊] 第 534 页 找到：第一产业增加值
[模糊] 第 534 页 找到：第二产业增加值
[模糊] 第 534 页 找到：第三产业增加值
[模糊] 第 535 页 找到：地方财政收入
[模糊] 第 536 页 找到：总人口
[模糊] 第 537 页 找到：粮食产量
[模糊] 第 538 页 找到：粮食产量
[模糊] 第 540 页 找到：总人口
[模糊] 第 541 页 找到：总人口
[模糊] 第 544 页 找到：地区生产总值
[精确] 第 544 页 找到：总人口
[模糊] 第 544 页 找到：第一产业增加值
[模糊] 第 544 页 找到：第二产业增加值
[精确] 第 544 页 找到：粮食产量
[精确] 第 544 页 找到：人口密度
[模糊] 第 545 页 找到：地区生产总值
[模糊] 第 545 页 找到：第二产业增加值
[模糊] 第 545 页 找到：第三产业增加值
[模糊] 第 551 页 找到：地区生产总值
[精确] 第 551 页 找到：总人口
[精确] 第 551 页 找到：第一产业增加值
[精确] 第 551 页 找到：第二产业增加值
[精确] 第 551 页 找到：第三产业增加值
[模糊] 第 553 页 找到：固定资产投资总额
[精确] 第 553 页 找到：粮食产量
[模糊] 第 553 页 找到：能源消费总量
[模糊] 第 554 页 找到：全年水资源总量
[精确] 第 554 页 找到：粮食产量
[模糊] 第 554 页 找到：耕地面积
[模糊] 第 556 页 找到：固定资产投资总额
[模糊] 第 556 页 找到：总人口
[模糊] 第 557 页 找到：总人口
[精确] 第 557 页 找到：进口额
[精确] 第 557 页 找到：出口额
[模糊] 第 558 页 找到：总人口
[模糊] 第 559 页 找到：总人口
[模糊] 第 559 页 找到：出口额
[模糊] 第 561 页 找到：总人口
[模糊] 第 561 页 找到：出口额
[模糊] 第 562 页 找到：总人口
[精确] 第 562 页 找到：全年水资源总量
[精确] 第 562 页 找到：人均用水量
[模糊] 第 563 页 找到：地区生产总值
[模糊] 第 563 页 找到：总人口
[精确] 第 563 页 找到：能源消费总量
[模糊] 第 563 页 找到：细颗粒物年均浓度
[模糊] 第 564 页 找到：总人口
[模糊] 第 564 页 找到：地方财政收入
[模糊] 第 564 页 找到：能源消费总量
[模糊] 第 565 页 找到：总人口
[模糊] 第 566 页 找到：地区生产总值
[模糊] 第 566 页 找到：总人口
[模糊] 第 566 页 找到：地方财政收入
[模糊] 第 566 页 找到：全年水资源总量
[模糊] 第 566 页 找到：人均用水量
[模糊] 第 567 页 找到：地区生产总值
[精确] 第 568 页 找到：总人口
[精确] 第 568 页 找到：第一产业增加值
[精确] 第 568 页 找到：第二产业增加值
[精确] 第 568 页 找到：第三产业增加值
[模糊] 第 569 页 找到：总人口
[模糊] 第 569 页 找到：粮食产量
[模糊] 第 570 页 找到：地区生产总值
[模糊] 第 570 页 找到：第一产业增加值
[精确] 第 570 页 找到：粮食产量
[精确] 第 570 页 找到：森林覆盖率
[精确] 第 571 页 找到：地区生产总值
[模糊] 第 571 页 找到：固定资产投资总额
[模糊] 第 571 页 找到：总人口
[模糊] 第 571 页 找到：进口额
[模糊] 第 572 页 找到：进口额
[模糊] 第 572 页 找到：出口额
[模糊] 第 574 页 找到：森林覆盖率
[精确] 第 575 页 找到：地区生产总值

4. 总结：没满足直接在 .pdf 中搜索词组的需求