Python+Spire.PDF实战：PDF文本替换、转Word、OCR识别及表单填充全攻略
在日常开发中，PDF文件的自动化编辑需求非常常见，例如批量修改合同中的日期、将PDF转为可编辑的Word文档、提取扫描件中的文字，或者动态填充表单域。本文基于Spire.PDF for Python和Spire.OCR for Python两个库，通过四个具体场景的代码示例，展示如何用Python高效处理这些任务。所有操作均可在纯Python环境中完成，无需安装Adobe Acrobat或Microsoft Office。
## 环境准备
通过pip安装两个核心组件：
pip install Spire.Pdf
pip install Spire.Ocr
如果涉及多种文档格式（如Excel、PPT），可以直接安装集成包：
pip install Spire.Office
该包额外包含Spire.XLS、Spire.Doc和Spire.Presentation等组件。
## 场景一：在PDF中查找并替换文本
适用场景：仅需修改PDF中的局部文字（如合同日期、发票金额），不影响整体排版。
核心逻辑：遍历PDF每一页，创建PdfTextReplacer对象，调用ReplaceAllText方法替换目标字符串，并可设置新文本颜色。
from spire.pdf import *
from spire.pdf.common import *
# 加载PDF文档
pdf = PdfDocument()
pdf.LoadFromFile("/input/示例文档.pdf")
# 遍历每一页
for i in range(pdf.Pages.Count):
page = pdf.Pages.get_Item(i)
replacer = PdfTextReplacer(page)
# 将"AI 绘画"替换为"AI 生成图画"，颜色设为红色
replacer.ReplaceAllText("AI 绘画", "AI 生成图画", Color.get_Red())
# 保存替换后的文档
pdf.SaveToFile("/output/替换所有文本.pdf")
pdf.Close()
注意：ReplaceAllText方法会替换当前页中所有匹配的文本，适用于精确匹配场景。如需区分大小写或正则匹配，可查看Spire.PDF的扩展方法。
## 场景二：PDF高保真转换为可编辑的Word
适用场景：需要对文档进行段落结构调整或二次编辑。
通过SaveToFile方法直接指定FileFormat.DOCX，即可将PDF转换为Word，最大程度保留原始排版。
from spire.pdf import *
pdf = PdfDocument()
pdf.LoadFromFile("示例文档.pdf")
pdf.SaveToFile("pdf转word.docx", FileFormat.DOCX)
pdf.Close()
转换后生成的.docx文件可以在Word中自由编辑，适合进一步处理。
## 场景三：OCR识别扫描件与图片PDF
适用场景：PDF由扫描仪或相机生成，内部只有图片而无文字层，无法直接提取文本。
需要先通过Spire.OCR对图片进行光学字符识别。如果PDF本身已经是独立的图片，可直接识别；如果是PDF文档，需要先将其转为图片（本文不展开，可参考后续教程）。
以下示例展示对单张图片进行OCR识别并输出文本文件：
from spire.ocr import *
scanner = OcrScanner()
# 配置OCR模型路径（需提前下载模型）和语言
configureOptions = ConfigureOptions()
configureOptions.ModelPath = r"E:/DownloadsNew/win-x64/"
configureOptions.Language = "Chinese"
scanner.ConfigureDependencies(configureOptions)
# 执行OCR识别
scanner.Scan(r"/output/pdftoimage/ToImage_0.png")
# 提取识别结果并写入文本文件
text = scanner.Text.ToString()
with open("/output/OCR结果.txt", "a", encoding="utf-8") as file:
file.write(text + "\n")
关键点：ModelPath需要指向下载的OCR模型目录，Language支持“Chinese”等参数。识别出的文本为简单顺序流，不含排版格式。
## 场景四：在PDF中填写可交互表单域
适用场景：使用预置表单域的PDF模板（如入职申请表、开户信息表），通过代码批量填充数据。
核心操作：获取表单部件集合FieldsWidget，遍历并根据字段类型（文本框、复选框等）和名称赋值。
from spire.pdf import *
pdf = PdfDocument()
pdf.LoadFromFile("application_form.pdf")
form_widget = PdfFormWidget(pdf.Form)
for i in range(form_widget.FieldsWidget.Count):
field = form_widget.FieldsWidget.get_Item(i)
if isinstance(field, PdfTextBoxFieldWidget) and field.Name == "EmployeeName":
field.Text = "张三"
elif isinstance(field, PdfCheckBoxFieldWidget) and field.Name == "AgreeTerms":
field.Checked = True
pdf.SaveToFile("filled_form.pdf")
pdf.Close()
这种方法保证了PDF模板的防篡改特性，同时允许局部填写。
## 四种方案对比总结
| 方案 | 核心机制 | 优势 | 局限 |
|------|----------|------|------|
| 查找并替换文本 | 直接修改PDF文本流 | 零格式损失，内存占用低 | 无法进行段落级重构 |
| 转Word | 映射为Word DOM树 | 视觉还原度高，可深度编辑 | 超大文件转换时性能要求高 |
| OCR识别 | 图像像素特征识别 | 将不可选中的“死文字”变为可编辑文本 | 仅输出原始文本流，无排版 |
| 填写表单域 | 对预埋交互字段动态赋值 | 兼顾防篡改和局部填写 | 依赖预置模板 |
选择哪种方式取决于实际需求：如果只是修改几个关键字，用方案一；需要全面编辑，用方案二；扫描件用方案三；模板批量填充用方案四。
通过Spire.PDF for Python和Spire.OCR for Python，开发者可以轻松集成这些PDF自动化能力到自己的Python脚本中。在Spire.Office官网还可以找到更多API文档和示例。
Re: Python+Spire.PDF实战：PDF文本替换、转Word、OCR识别及表单填充全攻略
非常感谢楼主这么详细的教程！Spire.PDF这个库我之前只简单用过转换，没想到还有文本替换和表单填充的功能，太实用了。场景一的替换文本正好能解决我批量改合同日期的痛点，之前都是手动一个个改，累得不行。 有个小疑问：场景三的OCR识别，那个模型文件是直接能下载的吗？还是需要额外去官网获取？我手头有一批扫描的PDF，如果能用代码批量转成可搜索的文字就太好了。另外，文本替换那里如果遇到换行或特殊字符，ReplaceAllText能正常处理吗？ 再次感谢分享，干货满满，收藏了！Re: Python+Spire.PDF实战：PDF文本替换、转Word、OCR识别及表单填充全攻略
感谢分享！非常实用的教程，四个场景覆盖了日常开发中最常见的PDF处理需求，代码示例也很清晰。想问一下，Spire.PDF for Python的免费版本有没有水印或页数限制？另外OCR模型需要手动下载，具体应该去哪里下载呢？Re: Python+Spire.PDF实战：PDF文本替换、转Word、OCR识别及表单填充全攻略
感谢分享这么详细的实战教程！Spire.PDF 这个库我之前也试过，文本替换和表单填充确实很方便，而且不用装 Adobe 的桌面软件，很适合批量自动化处理。 想追问一个细节：场景三里提到的 OCR 模型需要提前下载，你一般从哪下载模型文件？以及有没有试过识别英文以外的多语言混合文档（比如中英文混排），识别准确率如何？另外，如果扫描 PDF 是多页的，转换成图片后再逐页 OCR，会不会有性能瓶颈？如果方便的话，后续可以补充一个完整的多页扫描 PDF 到可搜索 PDF 的流程示例，相信对很多人会有帮助。 再次感谢你的整理，代码清晰，对比表格也很直观。
页:
[1]