Jelizaveta

Предварительные требования

Перед тем, как погрузиться в код, убедитесь, что у вас есть следующее:

1. Установленный Python на вашем компьютере.

2. Библиотека Free Spire.Doc для Python . Вы можете установить её с помощью pip:
   bash

   pip install spire.doc.free

3. Текстовый редактор или IDE для написания кода на Python.

4. Примерные файлы DOCX и TXT для тестирования.

Конвертация DOCX в TXT на Python

Следующий код читает документ Word (Sample.docx) и сохраняет его содержимое в качестве простого текстового файла (DocxToTxt.txt).

from spire.doc import *

from spire.doc.common import *

# Создать объект Document

document = Document()

# Загрузить файл docx

document.LoadFromFile("C:/Users/Administrator/Desktop/Sample.docx")

# Сохранить файл docx в формате txt

document.SaveToFile("DocxToTxt.txt", FileFormat.Txt)

document.Close()

В этом коде:

• Создаётся объект Document для работы.

• Метод LoadFromFile используется для загрузки файла DOCX из указанного пути.

• Документ сохраняется в формате TXT с использованием метода SaveToFile.

Конвертация TXT в DOCX на Python

В зависимости от того, хотите ли вы применить форматирование программно, вы можете конвертировать текстовый файл (TXT) в файл DOCX, используя один из следующих двух методов:

Метод 1: Простое решение (без форматирования)

Этот базовый подход создаёт документ Word с содержимым TXT, но без специального форматирования.

from spire.doc import *

from spire.doc.common import *

# Создать объект Document

document = Document()

# Загрузить файл txt

document.LoadFromFile("C:/Users/Administrator/Desktop/Sample.txt")

# Сохранить файл txt как файл docx

document.SaveToFile("TxtToDocx.docx", FileFormat.Docx2016)

document.Close()

В этом коде:

• Создаётся объект Document.

• Файл TXT загружается с помощью метода LoadFromFile.

• Документ затем сохраняется в формате DOCX.

Метод 2: Расширенное решение (с форматированием)

Для более профессиональных результатов вы можете применить форматирование во время конвертации:

from spire.doc import *

# Функция для форматирования textRange

defformat_textRange(textRange, font_name, font_size, color):

# Установить свойства шрифта

textRange.CharacterFormat.FontName = font_name

textRange.CharacterFormat.FontSize = font_size

textRange.CharacterFormat.TextColor = color

# Чтение файла TXT и разделение на абзацы

withopen("C:/Users/Administrator/Desktop/Sample.txt", "r") as file:

content = file.read()

# Разделение содержимого на абзацы с помощью пустых строк

paragraphs = content.split('\n\n')

# Создать новый объект Document

document = Document()

section = document.AddSection()

section.PageSetup.Margins.All = 40

# Обработка каждого абзаца и добавление его в документ

for idx, para inenumerate(paragraphs):

# Удалить пробелы и пропустить пустые абзацы

para = para.strip()

ifnot para:

continue

# Создать новый абзац в документе

new_paragraph = section.AddParagraph()

text_range = new_paragraph.AppendText(para)

# Применить разные форматы в зависимости от индекса абзаца

if idx % 2 == 0: # Пример: четные абзацы

format_textRange(text_range, font_name="Times New Roman", font_size=18, color=Color.get_Red())

else: # Нечётные абзацы

format_textRange(text_range, font_name="Times New Roman", font_size=13, color=Color.get_Blue())

# Добавить пустой абзац после каждого форматированного абзаца

section.AddParagraph()

# Сохранить документ как DOCX

document.SaveToFile("TxtToFormattedDocx.docx", FileFormat.Docx2016)

document.Dispose()

В этом коде:

• Определена функция format_textRange для применения определённых свойств шрифта (название шрифта, размер и цвет) к объекту TextRange.

• Файл TXT открывается, его содержимое читается и разделяется на абзацы на основе пустых строк.

• Создаётся объект Document, и добавляется секция с указанными полями.

• Каждый абзац обрабатывается, форматируется и добавляется в документ. Чётные абзацы оформляются красным цветом и большим размером, а нечётные — синим и меньшим размером.

• Пустой абзац создаётся после каждого форматированного абзаца для улучшения читаемости.

• Наконец, документ сохраняется как файл DOCX.

Заключение

В этом посте блога мы продемонстрировали, как конвертировать DOCX в TXT для извлечения содержимого обычного текста, что делает работу с текстовыми данными более удобной без отвлекающего форматирования.

Кроме того, мы показали, как конвертировать TXT в DOCX, предлагая как базовые, так и расширенные варианты форматирования для улучшения общего представления вашего текста.

pip install pandas openpyxl

2. Основной код: Извлечение таблиц из PDF

Следующий код демонстрирует, как извлечь таблицы с первой страницы PDF и вывести содержимое ячеек построчно:

from spire.pdf import PdfDocument, PdfTableExtractor

# 1. Загрузить PDF-файл

pdf = PdfDocument()

pdf.LoadFromFile("sample.pdf")

# 2. Создать экстрактор таблиц

table_extractor = PdfTableExtractor(pdf)

# 3. Извлечь все таблицы с первой страницы

tables = table_extractor.ExtractTable(0)

# 4. Пройтись по каждой таблице

for table in tables:

row_count = table.GetRowCount()

column_count = table.GetColumnCount()

# Извлечь содержимое ячеек построчно

for i in range(row_count):

row_data = []

for j in range(column_count):

cell_text = table.GetText(i, j)

row_data.append(cell_text)

print(row_data)

Пояснение к коду

• LoadFromFile(): Загружает PDF-файл из указанного пути

• PdfTableExtractor(): Создаёт экземпляр экстрактора таблиц

• ExtractTable(номер страницы): Извлекает все таблицы с указанной страницы, нумерация страниц начинается с 0

• GetRowCount() / GetColumnCount(): Получает количество строк и столбцов таблицы

• GetText(строка, столбец): Получает текстовое содержимое указанной ячейки

3. Расширенная обработка: Пакетное извлечение из многостраничного PDF

Если PDF содержит несколько страниц, вы можете использовать цикл для пакетного извлечения всех таблиц:

from spire.pdf import PdfDocument, PdfTableExtractor

pdf = PdfDocument()

pdf.LoadFromFile("multi_page_report.pdf")

# Пройтись по всем страницам

for page_index in range(pdf.Pages.Count):

extractor = PdfTableExtractor(pdf)

tables = extractor.ExtractTable(page_index)

print(f"\n=== Страница {page_index + 1} найдено {len(tables)} таблиц ===")

for t, table in enumerate(tables):

print(f"--- Таблица {t+1} ---")

rows = table.GetRowCount()

cols = table.GetColumnCount()

for i in range(rows):

row = [table.GetText(i, j) for j in range(cols)]

print(row)

4. Экспорт данных: Сохранение в файлы CSV или Excel

Извлечённые табличные данные можно легко преобразовать в другие форматы. Следующий пример сохраняет данные в CSV-файл:

import csv

from spire.pdf import PdfDocument, PdfTableExtractor

pdf = PdfDocument()

pdf.LoadFromFile("sample.pdf")

extractor = PdfTableExtractor(pdf)

tables = extractor.ExtractTable(0)

if tables:

table = tables[0]

rows = table.GetRowCount()

cols = table.GetColumnCount()

# Собрать все данные

data = []

for i in range(rows):

row_data = [table.GetText(i, j) for j in range(cols)]

data.append(row_data)

# Записать в CSV-файл

with open("output.csv", "w", newline="", encoding="utf-8") as f:

writer = csv.writer(f)

writer.writerows(data)

print(f"Успешно экспортировано {rows} строк × {cols} столбцов данных в output.csv")

Чтобы экспортировать данные в Excel-файл, вы можете использовать pandas:

import pandas as pd

# Предположим, что data — это извлечённый выше двумерный список

df = pd.DataFrame(data[1:], columns=data[0]) # Первая строка как заголовки столбцов

df.to_excel("output.xlsx", index=False)

print("Данные сохранены как output.xlsx")

5. Часто возникающие проблемы и советы

1. Неполное распознавание таблицы? Проверьте, имеет ли таблица в PDF чёткие границы. Для отсканированных документов или PDF на основе изображений требуется технология OCR; Spire.PDF в основном подходит для текстовых PDF.

2. Обработка объединённых ячеек: Spire.PDF автоматически обрабатывает объединённые ячейки. GetText() возвращает содержимое ячейки в верхнем левом углу объединённой области, а для остальных позиций возвращает пустую строку.

3. Оптимизация производительности: При обработке больших PDF-файлов рекомендуется извлекать и сохранять данные постранично, чтобы избежать загрузки всех таблиц в память одновременно.

Выполнив описанные выше шаги, вы освоили полный процесс извлечения таблиц из PDF с помощью Python. Это решение можно легко интегрировать в автоматизированные конвейеры обработки данных, что значительно повышает эффективность работы.

1. Обзор компонента Spire.Doc for .NET

Free Spire.Doc for .NET — это профессиональный компонент для работы с документами Word, который позволяет разработчикам создавать, читать, изменять и конвертировать документы Word напрямую через код без установки Microsoft Office. Компонент предоставляет полный набор возможностей для работы с водяными знаками и поддерживает два основных типа:

В отличие от сложных решений, имитирующих водяные знаки через колонтитулы или вставку фигур, Spire.Doc содержит встроенную объектную модель для работы с водяными знаками, что делает их добавление и управление более простым и стандартизированным.

Настройка окружения

Перед началом кодирования необходимо установить Free Spire.Doc в проект через диспетчер пакетов NuGet. Выполните следующую команду в «Консоли диспетчера пакетов» Visual Studio:

Install-Package FreeSpire.Doc

После установки необходимо подключить следующие пространства имён в файле кода:

using Spire.Doc;

using Spire.Doc.Documents;

using System.Drawing; // Для работы с цветами и изображениями

2. Добавление текстового водяного знака

Текстовый водяной знак — это самая базовая и наиболее часто используемая форма водяных знаков. По сути, это строка текста, отображаемая на фоне каждой страницы документа в полупрозрачном или заданном цвете. Обычно используется крупный шрифт с диагональным или горизонтальным расположением, чтобы визуально отличаться от основного содержимого.

Описание основных свойств

Класс TextWatermark предоставляет следующие настраиваемые свойства:

Реализация кода

using System;

using System.Drawing;

using Spire.Doc;

using Spire.Doc.Documents;

namespace InsertTextWatermark

{

internal class Program

{

static void Main(string[] args)

{

// Создание экземпляра объекта Document

Document document = new Document();

// Загрузка документа Word с диска

document.LoadFromFile("input.docx");

// Вставка текстового водяного знака

InsertTextWatermark(document);

// Сохранение документа

document.SaveToFile("TextWatermark.docx", FileFormat.Docx);

}

private static void InsertTextWatermark(Document document)

{

TextWatermark txtWatermark = new TextWatermark();

txtWatermark.Text = "НЕ КОПИРОВАТЬ"; // Текст водяного знака

txtWatermark.FontSize = 50; // Размер шрифта

txtWatermark.Color = Color.Blue; // Цвет текста

txtWatermark.Layout = WatermarkLayout.Diagonal; // Диагональное расположение

document.Watermark = txtWatermark;

}

}

}

Ключевые моменты

• Водяной знак связан со всем объектом документа, а не с отдельной страницей или разделом. Это означает, что после добавления водяной знак автоматически применяется ко всем страницам документа.

• При сохранении необходимо явно указать формат FileFormat.Docx, чтобы информация о водяном знаке была корректно записана в структуру файла Word.

• Если требуется горизонтальное центрированное отображение водяного знака, установите свойство Layout в WatermarkLayout.Horizontal.

3. Добавление водяного знака-изображения

По сравнению с текстовыми водяными знаками, водяные знаки-изображения подходят для более широкого круга сценариев:

• Добавление логотипа компании в качестве водяного знака во внутренние документы

• Наложение изображений с авторскими правами на дизайнерские макеты

• Использование изображения подписи как утверждающего водяного знака документа

Описание основных свойств

Класс PictureWatermark предоставляет следующие настраиваемые свойства:

Реализация кода

using System;

using System.Drawing;

using Spire.Doc;

using Spire.Doc.Documents;

namespace InsertImageWatermark

{

internal class Program

{

static void Main(string[] args)

{

// Создание экземпляра объекта Document

Document document = new Document();

// Загрузка документа Word

document.LoadFromFile("Input.docx");

// Вставка водяного знака-изображения

InsertImageWatermark(document);

// Сохранение документа

document.SaveToFile("InsertImageWatermark.docx", FileFormat.Docx);

}

private static void InsertImageWatermark(Document document)

{

PictureWatermark picture = new PictureWatermark();

picture.Picture = Image.FromFile("watermark.png"); // Загрузка изображения

picture.Scaling = 200; // Масштаб (%)

picture.IsWashout = false; // Использовать ли эффект выцветания

document.Watermark = picture;

}

}

}

Два визуальных эффекта для водяного знака-изображения

4. Удаление водяного знака

Жизненный цикл документа обычно включает несколько этапов, и необходимость в водяных знаках не всегда постоянна. Например, документ на стадии проверки может требовать заметного водяного знака «Конфиденциально», но после завершения проверки и официальной публикации водяной знак может стать лишним и потребовать удаления.

Принцип работы

В Spire.Doc удаление водяного знака реализовано очень просто: свойство Document.Watermark по сути является ссылкой на объект. Когда оно указывает на экземпляр TextWatermark или PictureWatermark, это означает, что водяной знак активен. Если же присвоить этому свойству пустую ссылку, водяной знак будет удалён из документа.

Реализация кода

using Spire.Doc;

namespace RemoveWatermark

{

class Program

{

static void Main(string[] args)

{

// Создание экземпляра Document

Document doc = new Document();

// Загрузка документа Word с водяным знаком

doc.LoadFromFile("Input.docx");

// Удаление водяного знака

doc.Watermark = null;

// Сохранение результата

doc.SaveToFile("RemoveWatermark.docx", FileFormat.Docx2013);

}

}

}

⚠️ Важные замечания

Этот способ удаления работает только для стандартных водяных знаков, добавленных через Spire.Doc. Если «водяной знак» реализован нестандартным способом (например, полупрозрачная фигура в колонтитуле или встроенное фоновое изображение), данный метод не сработает — потребуется использовать другие стратегии удаления содержимого документа.

5. Заключение

С помощью Spire.Doc for .NET разработчики могут легко и стандартизированно добавлять и удалять водяные знаки в документах Word с использованием C#. Основные операции, рассмотренные в статье:

Рекомендации по применению

• Текстовые водяные знаки : подходят для сценариев с динамической генерацией текста, например отображения различных уровней конфиденциальности в зависимости от прав пользователя

• Водяные знаки-изображения : подходят для брендированных сценариев, когда компания использует единый логотип в качестве фона документа

• Удаление водяных знаков : подходит для документооборота, например когда документы содержат водяной знак на этапе внутреннего согласования и очищаются перед внешней публикацией

Это решение не зависит от среды Microsoft Office и подходит для развёртывания в серверных приложениях и фоновых службах, обеспечивая хорошую стабильность и масштабируемость.

После установки импортируйте необходимые модули в код проекта:python

from spire.pdf.common import * from spire.pdf import *

II. Разбор основных компонентов

Перед написанием кода разберем назначение ключевых классов библиотеки:

Проще говоря: PdfPageNumberField и PdfPageCountField являются переменными с числовыми значениями, а PdfCompositeField формирует итоговый текст по заданному шаблону.

III. Готовый код (нумерация по центру)

Ниже представлен полный код для добавления русской нумерации страниц по центру с подробными комментариями:

from spire.pdf.common import *

from spire.pdf import *

# Загрузка PDF-документа

doc = PdfDocument()

doc.LoadFromFile("Input.pdf")

# Установка шрифта Times New Roman (поддержка кириллицы)

font = PdfTrueTypeFont("Times New Roman", 12.0, PdfFontStyle.Regular, True)

brush = PdfBrushes.get_Black()

pen = PdfPen(brush, 1.0)

# Инициализация полей номера и общего количества страниц

pageNumberField = PdfPageNumberField()

pageCountField = PdfPageCountField()

# Шаблон русской нумерации страниц

compositeField = PdfCompositeField(

font,

brush,

"Страница {0} из {1}",

[pageNumberField, pageCountField]

)

# Задание отступов (единица измерения: пункты)

leftMargin = 54.0

rightMargin = 54.0

bottomMargin = 72.0

# Добавление нумерации на все страницы

for i in range(doc.Pages.Count):

page = doc.Pages.get_Item(i)

pageSize = page.Size

# Отрисовка разделительной линии

lineY = pageSize.Height - bottomMargin + 15.0

page.Canvas.DrawLine(pen, leftMargin, lineY, pageSize.Width - rightMargin, lineY)

# Определение размера текста для корректного выравнивания

pageNumberSize = font.MeasureString(f"Страница {i + 1} из {doc.Pages.Count}")

# Координаты расположения нумерации по центру

compositeField.Location = PointF(

(pageSize.Width - pageNumberSize.Width) / 2,

pageSize.Height - bottomMargin + 18.0

)

# Отрисовка нумерации на странице

compositeField.Draw(page.Canvas, 0.0, 0.0)

# Сохранение готового файла и закрытие ресурсов

doc.SaveToFile("Output.pdf")

doc.Dispose()

IV. Реализация выравнивания слева и справа

Для смены положения достаточно изменить координату X в параметре compositeField.Location.

4.1 Выравнивание по левому краю

# Координата X равна левому отступу

compositeField.Location = PointF(

leftMargin,

pageSize.Height - bottomMargin + 18.0

)

Результат: надпись «Страница 1 из 10» отображается в левом нижнем углу страницы.

4.2 Выравнивание по правому краю

# Расчет координаты для расположения в правой части

compositeField.Location = PointF(

pageSize.Width - pageNumberSize.Width - rightMargin,

pageSize.Height - bottomMargin + 18.0

)

Результат: надпись «Страница 1 из 10» отображается в правом нижнем углу страницы.

V. Разные варианты оформления русской нумерации

Помимо стандартного варианта «Страница X из Y» можно использовать другие форматы:

5.1 Компактный вариант

compositeField = PdfCompositeField(

font, brush, "{0} / {1}",

[pageNumberField, pageCountField]

)

# Отображение: 1 / 10

5.2 Вариант с декоративными знаками

compositeField = PdfCompositeField(

font, brush, "- {0} / {1} -",

[pageNumberField, pageCountField]

)

# Отображение: - 1 / 10 -

5.3 Только номер страницы (без общего количества)

compositeField = PdfCompositeField(

font, brush, "{0}",

[pageNumberField]

)

# Отображение: 1

VI. Рекомендуемые шрифты для кириллицы

Пример установки шрифта:

font = PdfTrueTypeFont("Arial", 12.0, PdfFontStyle.Regular, True)

VII. Настройка рабочих параметров

7.1 Изменение отступов

Корректируйте значения для изменения расположения нумерации:

leftMargin = 54.0 # Увеличение смещает текст вправо

rightMargin = 54.0 # Увеличение смещает текст влево

bottomMargin = 72.0 # Увеличение смещает нумерацию выше, уменьшение – ниже

7.2 Корректировка вертикального положения

# Положение разделительной линии

lineY = pageSize.Height - bottomMargin + 15.0

# Положение текста нумерации

compositeField.Location = PointF(x, pageSize.Height - bottomMargin + 18.0)

Увеличение числовых значений опускает элементы вниз, уменьшение – поднимает вверх.

7.3 Изменение размера шрифта

# Установка размера шрифта 14 пунктов

font = PdfTrueTypeFont("Times New Roman", 14.0, PdfFontStyle.Regular, True)

После смены размера система автоматически пересчитывает габариты текста и подстраивает расположение.

VIII. Решение распространенных проблем

Вопрос 1: Кириллические символы отображаются некорректно

Ответ: Используйте шрифты с полной поддержкой кириллицы (Times New Roman, Arial, PT Sans).

Вопрос 2: Нумерация отображается в верхнем колонтитуле

Ответ: Проверьте формулу расчета координаты Y, чем выше значение, тем ближе элемент к нижнему краю страницы.

Вопрос 3: Нумерация перекрывается основным текстом документа

Ответ: Увеличьте значение bottomMargin, чтобы выделить свободное место в нижней части страницы.

Вопрос 4: Пропустить нумерацию для титульного листа

Ответ: Измените начало цикла, чтобы нумерация начиналась со второй страницы:

for i in range(1, doc.Pages.Count):

Вопрос 5: Добавить нумерацию только на определенные страницы

Ответ: Добавьте условие проверки в цикл перебора страниц:

for i in range(doc.Pages.Count):

if 2 <= i <= 10:

# Код добавления нумерации

IX. Итог

С помощью библиотеки Free Spire.PDF for Python можно быстро добавить русскую нумерацию страниц в массовом режиме, поддерживая три варианта выравнивания.

Основная последовательность действий:

1. Загрузка исходного PDF-документа

2. Инициализация шрифта и полей нумерации

3. Формирование текстового шаблона на русском языке

4. Перебор страниц и расчет координат для размещения текста

5. Сохранение готового документа

Данный способ отличается высокой скоростью работы и универсальностью, подходит для документов любого объёма.

1. ocrmypdf (Python-библиотека)

Мощная оболочка, объединяющая OCR и обработку PDF в одной команде.

2. OCR-движок Tesseract

Основной OCR-движок, который использует ocrmypdf.

Установка

Шаг 1: Установка ocrmypdf

pip install ocrmypdf

Шаг 2: Установка Tesseract OCR

Windows

Скачайте и установите из официального репозитория Tesseract.

Во время установки обязательно обратите внимание на следующие параметры :

• Additional language data (download)

• Additional script data (download)

Если вы не отметите эти пункты , по умолчанию будет установлен только английский языковой модуль .

Это одна из самых распространённых ошибок — позже пользователи пытаются запускать OCR для китайского или японского языка и получают ошибки, потому что языковые данные просто не установлены.

macOS (Homebrew)

brew install tesseract

Linux (Ubuntu/Debian)

sudo apt install tesseract-ocr

Настройка Tessdata (важно)

Tesseract должен знать, где расположены файлы языковых данных (.traineddata).

В Windows обычно необходимо вручную задать переменную окружения:

os.environ["TESSDATA_PREFIX"] = r"C:\Program Files\Tesseract-OCR\tessdata"

Если путь указан неверно или отсутствует, OCR завершится ошибкой, связанной с языковыми файлами.

Поддерживаемые языки и использование Enum

Чтобы сделать выбор языка безопаснее и удобнее для разработчиков, в коде используется Enum:

class OcrLanguage(Enum):

"""Поддерживаемые OCR-языки с использованием кодов ISO 639-2."""

ENGLISH = "eng"

SIMPLIFIED_CHINESE = "chi_sim"

TRADITIONAL_CHINESE = "chi_tra"

CHINESE_ENGLISH = "chi_sim+eng"

JAPANESE = "jpn"

KOREAN = "kor"

Зачем использовать Enum?

• Исключает опечатки вроде "engg" или "chn"

• Поддерживает автодополнение в IDE

• Делает код более понятным и самодокументируемым

Как добавить новые языки

Вы можете легко расширить enum OcrLanguage.

Шаг 1: Установите языковые данные

Убедитесь, что соответствующий файл .traineddata находится в папке tessdata.

Примеры:

• fra.traineddata → французский

• deu.traineddata → немецкий

• spa.traineddata → испанский

Шаг 2: Расширьте Enum

class OcrLanguage(Enum):

ENGLISH = "eng"

FRENCH = "fra"

GERMAN = "deu"

SPANISH = "spa"

Шаг 3: Используйте язык

language=OcrLanguage.FRENCH

OCR для нескольких языков

Можно комбинировать несколько языков:

CHINESE_ENGLISH = "chi_sim+eng"

Это особенно полезно для:

• двуязычных документов

• счетов с несколькими языками

• научных статей

Полный пример кода

Ниже приведён полностью рабочий скрипт:

import ocrmypdf

from enum import Enum

import os

# ==============================================

# Указываем каталог данных Tesseract (только Windows)

# ==============================================

os.environ["TESSDATA_PREFIX"] = r"C:\Program Files\Tesseract-OCR\tessdata"

# ==============================================

# Enum языков OCR (без опечаток, удобно выбирать)

# ==============================================

class OcrLanguage(Enum):

"""Поддерживаемые OCR-языки с использованием кодов ISO 639-2."""

ENGLISH = "eng"

SIMPLIFIED_CHINESE = "chi_sim"

TRADITIONAL_CHINESE = "chi_tra"

CHINESE_ENGLISH = "chi_sim+eng"

JAPANESE = "jpn"

KOREAN = "kor"

# ==============================================

# Основная функция конвертации

# ==============================================

def convert_scanned_pdf_to_searchable(

input_pdf_path: str,

output_pdf_path: str,

language: OcrLanguage

):

"""

Преобразует PDF на основе изображений (сканированный PDF)

в PDF с возможностью поиска с помощью OCR.

Args:

input_pdf_path: Путь к исходному сканированному PDF

output_pdf_path: Путь для сохранения searchable PDF

language: OCR-язык, выбранный из enum OcrLanguage

"""

try:

# Выполняем OCR и создаём оптимизированный searchable PDF

ocrmypdf.ocr(

input_file=input_pdf_path,

output_file=output_pdf_path,

language=language.value,

optimize=1,

force_ocr=True

)

print(f"✅ Готово! PDF с поиском сохранён в: {output_pdf_path}")

except Exception as error:

print(f"❌ Ошибка при конвертации: {str(error)}")

# ==============================================

# Запуск конвертера

# ==============================================

if __name__ == "__main__":

# Укажите пути к файлам

INPUT_FILE = "ScannedPDF.pdf"

OUTPUT_FILE = "searchable.pdf"

# Выбор языка через Enum (безопасно и удобно)

convert_scanned_pdf_to_searchable(

input_pdf_path=INPUT_FILE,

output_pdf_path=OUTPUT_FILE,

language=OcrLanguage.ENGLISH

)

Результат:

Объяснение ключевых параметров

• language → определяет язык(и) OCR

• optimize=1 → уменьшает размер файла без потери качества

• force_ocr=True → принудительно запускает OCR, даже если текст уже обнаружен

Распространённые ошибки

1. Отсутствуют языковые данные

Если вы видите ошибку вида:

Error opening data file...

→ Скорее всего, не установлен языковой пакет.

2. Неверный путь Tessdata

Проверьте переменную:

TESSDATA_PREFIX

3. Низкая точность OCR

Качество OCR сильно зависит от:

• разрешения изображения (рекомендуется 300 DPI)

• шумов и размытия

• чёткости шрифта

Полезные советы

Повышение точности OCR

• Выполняйте предварительную обработку PDF (выравнивание, удаление шумов)

• Перед OCR переводите изображения в оттенки серого

• Используйте корректный DPI

Пакетная обработка

Оберните функцию в цикл:

for file in os.listdir("input_folder"):

if file.endswith(".pdf"):

convert_scanned_pdf_to_searchable(...)

Сохранение исходного внешнего вида

ocrmypdf добавляет скрытый текстовый слой без изменения визуальной структуры документа , поэтому внешний вид исходного PDF полностью сохраняется.

Заключение

Всего несколькими строками Python-кода вы можете превратить бесполезные отсканированные PDF-файлы в полностью searchable, копируемые и индексируемые документы.

Комбинация:

• ocrmypdf

• Tesseract

• структурированного управления языками через Enum

…позволяет создать надёжный и масштабируемый OCR-конвейер, подходящий как для личного использования, так и для корпоративных задач.

Если вам приходится работать с большими объёмами сканированных файлов, этот подход способен сэкономить часы ручной работы — и мгновенно открыть доступ к вашим данным.

Или через .NET CLI:

dotnet add package Spire.PDF

Библиотека поддерживает .NET Framework 4.0 и выше, .NET Core 3.1, .NET 5.0 и более поздние версии.

Код реализации

Ниже приведён полный пример кода:

using System.IO;

using System.Net;

using Spire.Pdf;

namespace DownloadPdfFromUrl

{

class Program

{

static void Main(string[] args)

{

// Создаём объект PdfDocument

PdfDocument doc = new PdfDocument();

// Создаём объект WebClient для загрузки веб-ресурсов

WebClient webClient = new WebClient();

// Скачиваем данные PDF по URL в поток памяти (MemoryStream)

using (MemoryStream ms = new MemoryStream(

webClient.DownloadData("http://www.example.com/sample.pdf")))

{

// Загружаем данные PDF из потока в объект PdfDocument

doc.LoadFromStream(ms);

}

// Сохраняем PDF-документ в локальный файл

doc.SaveToFile("result.pdf", FileFormat.PDF);

// Освобождаем ресурсы

webClient.Dispose();

doc.Close();

}

}

}

Пояснение к коду

1. Создание объекта PdfDocument

PdfDocument — это основной класс Spire.PDF, представляющий экземпляр PDF-документа. Он используется для хранения и обработки PDF-данных, загруженных из интернета.

2. Использование WebClient для скачивания данных

WebClient — это простой класс загрузки по HTTP в .NET. Метод DownloadData возвращает byte[], который представляет собой исходное бинарное содержимое PDF-файла.

3. Использование MemoryStream как “моста”

Обёртка массива байт в MemoryStream позволяет использовать метод doc.LoadFromStream(ms). Это избавляет от неэффективного процесса сохранения файла на диск, а затем чтения его обратно — и даёт возможность обрабатывать данные в памяти.

4. Загрузка и сохранение PDF

Метод LoadFromStream анализирует поток памяти и формирует пригодный для использования PDF-документ. Затем метод SaveToFile сохраняет документ в локальное хранилище под именем файла result.pdf.

Примечания

• Обработка исключений : В производственных средах рекомендуется добавлять блоки try-catch для обработки сетевых таймаутов, недействительных URL, ошибок формата PDF и других исключений.

• Управление памятью : И WebClient, и PdfDocument реализуют интерфейс IDisposable, поэтому ресурсы должны быть корректно освобождены. В примере MemoryStream обрабатывается через using, но также рекомендуется явно освобождать webClient и doc или оборачивать их в блоки using .

• Асинхронная версия : Для больших файлов рассмотрите использование WebClient.DownloadDataTaskAsync или переход на HttpClient с асинхронными методами, чтобы не блокировать UI-поток.

• Корректность URL : Убедитесь, что URL напрямую указывает на PDF-файл, а не на страницу перенаправления.

Расширенные сценарии

С помощью Spire.PDF вы можете выполнять дополнительные операции сразу после загрузки PDF, например:

• Извлечение текста или изображений

• Объединение нескольких PDF-файлов

• Добавление водяных знаков или колонтитулов (верхний/нижний)

• Конвертация PDF в изображения или формат Word

Итог

В этой статье показано, как скачать PDF по URL и сохранить его локально с помощью C# и Spire.PDF для .NET. Весь процесс простой и эффективный — требуется всего несколько строк ключевого кода.

Spire.PDF — это не только инструмент для загрузки и сохранения документов, но и мощная библиотека для обработки PDF, которую стоит изучить дальше.

1. Откройте Google Drive и войдите в аккаунт

2. Загрузите защищённый PDF-файл

3. Щёлкните по файлу правой кнопкой мыши и выберите Открыть с помощью → Google Docs

4. Дождитесь завершения конвертации и скопируйте текст

Это работает потому, что «защита» большинства PDF — это лишь флаг разрешений, а не настоящее шифрование. При конвертации Google Docs создаёт новую структуру документа, поэтому исходные ограничения не сохраняются.

Однако имейте в виду: этот способ не сработает, если PDF представляет собой отсканированное изображение, а не текстовый документ.

Способ 2: PDF24 Online Converter — просто, но учитывайте приватность

PDF24 — это бесплатный набор инструментов от немецкой компании, известный своей надёжностью, отсутствием водяных знаков и ограничений по размеру файлов.

Шаги:

1. Перейдите на сайт PDF24 и откройте инструмент PDF в TXT

2. Загрузите защищённый PDF-файл

3. Нажмите «Конвертировать» и дождитесь обработки

4. Скачайте TXT-файл и свободно копируйте текст

За удобством онлайн-сервисов скрывается часто упускаемый момент — конфиденциальность. Ваши файлы обрабатываются на сторонних серверах. Если документ содержит контракты, внутренние отчёты или персональные данные, стоит подумать дважды перед загрузкой.

Практический совет: сначала загрузите безопасный тестовый файл, чтобы оценить скорость обработки и ознакомиться с политикой конфиденциальности сервиса.

Способ 3: Автоматизация с Python — «двигатель» для пакетной обработки

Если вам нужно работать с десятками или сотнями защищённых PDF, ручные методы становятся неэффективными. Здесь на помощь приходят скрипты на Python.

Установите необходимую библиотеку:

pip install spire.pdf.free

Пример кода:

from spire.pdf import *

doc = PdfDocument()

doc.LoadFromFile("Secured.pdf")

for i in range(doc.Pages.Count):

page = doc.Pages[i]

textExtractor = PdfTextExtractor(page)

extractOptions = PdfTextExtractOptions()

extractOptions.IsExtractAllText = True

text = textExtractor.ExtractText(extractOptions)

with open(f'output/TextOfPage-{i+1}.txt', 'w', encoding='utf-8') as file:

lines = text.split("\n")

for line in lines:

if line != '':

file.write(line)

doc.Close()

Главная ценность этого подхода — не только в извлечении текста, но и в интеграции. Вы можете встроить этот скрипт в конвейер обработки данных — например, автоматически отслеживать папку и извлекать текст из новых защищённых PDF в базу данных.

Обратите внимание на параметр, который легко упустить: IsExtractAllText = True. Он принудительно извлекает текст, помеченный как «некопируемый», фактически обходя ограничения, установленные PDF-просмотрщиками.

Примечание:

Бесплатная версия Spire.PDF для Python поддерживает документы объёмом до 10 страниц. Для больших файлов можно разбить их на части или использовать альтернативные библиотеки.

Заключение

Эти три метода подходят для разных задач:

• Для разового использования проще всего воспользоваться Google Docs

• Для быстрого результата (если приватность не критична) подойдут онлайн-инструменты

• Для пакетной обработки и автоматизации лучше всего использовать Python

И напоследок: технологии могут решить вопрос, можно ли скопировать текст, но не отвечают на вопрос, стоит ли это делать. Перед извлечением содержимого всегда проверяйте авторские права и условия использования документа. В конце концов, инструменты нейтральны — важно то, как мы их применяем.