Python 3

$ sudo pip install pymupdf==1.18.19 # PDF格式解析
$ sudo apt-get install tesseract-ocr # 离线OCR工具tesseract
$ sudo apt-get install tesseract-ocr-chi-sim # OCR简体中文支持
$ sudo pip install pytesseract # OCR工具的Python支持包
$ sudo pip install baidu-aip # 在线OCR：百度提供的字符识别工具。

程序默认使用离线OCR，如果想使用百度在线OCR，需要在百度云网站申请创建新项目，将项目的apiKey，appId, SecretKey填写到程序中，并将OCR_ONLINE设置为True。(在线识别效果略好于离线识别效果，尤其在数字、英文字母、标点方面效果更好)。

$ python pdfconv.py xxxx.pdf

运行之后生成 xxxx.txt

程序通过百余行代码实现，解析普通的PDF文件问题不大，但仍存在一些问题：

(1) 新版本使用pymupdf替代pdfminer库。

(2) 竖版文字也被识别成横版。

(3) 解析字符型文本时，比较简单粗暴，对于比较特殊的版式不一定按照从上到下，从左到右的顺序解析，有待更进。

(4) 程序目前以支持中文PDF文件为主，支持其它语言需要在代码中稍做调整。