我有一个包含PDF文件（图像）的大目录，如何有效地从目录中的所有文件中提取文本？。到目前为止，我试图：
导入多处理
导入文本摘要
def extract_txt（文件路径）：
text=textract.process（文件路径，方法=’tesseract’）
p=多处理池（2）
文件路径=[‘/Users/user/Desktop/sample.pdf’]
列表（p.map（提取文本、文件路径））
但是，它不起作用。。。这需要很多时间（我有一些600页的文档）。另外：a）我不知道如何有效地处理目录转换部分。b） 我想添加一个页面分隔符，比如：<；开始/年龄=1>。。。页面内容&书信电报；结束/页码=1>，但我不知道怎么做
因此，如何将extract_txt函数应用于以.pdf结尾的目录的所有元素，并以.txt格式返回另一个目录中的相同文件，以及添加带有OCR文本提取的页面分隔符
另外，我对使用GoogleDocs来完成这个任务很好奇，是否可以通过编程使用GoogleDocs来解决前面提到的文本提取问题
更新
关于“添加页面分隔符”问题（<；开始/age=1>；…页面内容…<；结束/page=1>；），在阅读罗兰·史密斯的答案后，我试图：
从PyPDF2导入PdfileWriter、PdfileReader
导入文本摘要
def extract_文本（pdf_文件）：
inputpdf=PdfileReader（打开（pdf文件，“rb”））
对于范围内的i（inputpdf.numPages）：
w=PdfileWriter（）
w、 addPage（inputpdf.getPage（i））
outfname='page{:03d}.pdf'。格式（一）
使用open（outname，'wb'）作为outfile:#我想您需要'wb'。
w、 写入（输出文件）
打印（“\n<；开始页位置=”，i，“>；\n”）
text=textract.process（str（outname），method='tesseract'）
os.移除（outname）#清理。
打印（str（文本“utf8”））
打印（'\n<；结束页位置='，i'>；\n'）
提取文本（'/Users/user/Downloads/ImageOnly.pdf'）
但是，print（）部分仍然存在问题，因为与其打印，不如将所有输出保存到一个文件中。因此，我尝试将输出重定向到一个文件：
sys.stdout=open（“test.txt”、“w”）
打印（“\n<；开始页位置=”，i，“>；\n”）
sys.stdout.close（）
text=textract.process（str（outname），method='tesseract'）
os.移除（outname）#清理。
sys.stdout=open（“test.txt”、“w”）
打印（str（文本“utf8”））
sys.stdout.close（）
sys.stdout=open（“test.txt”、“w”）
打印（'\n<；结束页位置='，i'>；\n'）
sys.stdout.close（）
你知道如何使用页面提取/分隔符技巧并将所有内容保存到文件中吗
在您的代码中，您正在提取文本，，但您没有对其执行任何操作
试着这样做：
def extract\u txt（文件路径）：
text=textract.process（文件路径，方法='tesseract'）
outfn=file_path[：-4]+'.txt'#假设文件名以'.pdf'结尾
将open（OUTN，'wb'）作为输出_文件：
输出_文件。写入（文本）
返回文件路径
这会将文本写入具有相同名称但扩展名为.txt的文件
它还返回原始文件的路径，以让父级知道此文件已完成
因此，我将映射代码更改为：
p=multiprocessing.Pool（）
文件路径=['/Users/user/Desktop/sample.pdf']
对于p.imap\u无序中的fn（提取\u txt，文件\u路径）：
打印（'已完成文件：'，fn）
- 创建
池时，不需要提供参数。默认情况下，它将创建与cpu核心数量相同的工作线程 - 使用
imap_unordered创建迭代器，该迭代器在值可用时立即开始生成值 - 因为worker函数返回了文件名，所以您可以打印它，让用户知道该文件已完成
编辑1：
另外一个问题是，是否可以标记页面边界。我想是的
一种肯定有效的方法是在OCR之前将PDF文件分成页。您可以使用poppler utils包中的pdfinfo来查找文档中的页数。然后，您可以使用同一poppler utils包中的pdfseparate将N页的一个pdf文件转换为一页的N个pdf文件。然后，您可以分别对单页PDF文件进行OCR。这将为您提供每一页上的文本
或者，您可以对整个文档进行OCR，然后搜索分页符。只有当文档的每页都有固定的或可预测的页眉或页脚时，这才有效。它可能不如上述方法可靠
编辑2:
如果需要文件，请写入文件：
从PyPDF2导入PdfileWriter、PdfileReader
导入文本摘要
def extract_文本（pdf_文件）：
inputpdf=PdfileReader（打开（pdf文件，“rb”））
outfname=pdf_文件[：-4]+'.txt'#假设pdf文件名以“.pdf”结尾
以文本文件形式打开（outname，'w'）：
对于范围内的i（inputpdf.numPages）：
w=PdfileWriter（）
w、 addPage（inputpdf.getPage（i））
outfname='page{:03d}.pdf'。格式（一）
使用open（outname，'wb'）作为outfile:#我想您需要'wb'。
w、 写入（输出文件）
打印（'第页'，i）
text=textract.process（outname，method='tesseract'）
#添加页眉和页脚。
text='\n<；开始页面位置={}>\格式（i）+文本+'\n<；结束页位置={}>\格式（一）
#将OCR文本写入输出文件。
textfile.write（文本）
os.移除（outname）#清理。
打印（文本）