Чтение содержимого отсканированного PDF (JPEG) с помощью OCR (оптического распознавания символов) - PullRequest
Новая
       35

Чтение содержимого отсканированного PDF (JPEG) с помощью OCR (оптического распознавания символов)

1 голос
/ 27 мая 2020

Я пытался скрыть отсканированный PDF-файл без возможности выбора (JPEG) с помощью OCR (оптического распознавания символов).

Отсканированный PDF-документ для преобразования

Но , Я получаю сообщение об ошибке, как указано в приложении.

enter image description here

Пожалуйста, изучите это и предложите мне получить ожидаемый результат. 

# Import libraries 
from PIL import Image 
import pytesseract 
import sys 
from pdf2image import convert_from_path 
import os 

# Path of the pdf 
PDF_file = "document.pdf"

''' 
Part #1 : Converting PDF to images 
'''

# Store all the pages of the PDF in a variable 
pages = convert_from_path(PDF_file, 500) 

# Counter to store images of each page of PDF to image 
image_counter = 1

# Iterate through all the pages stored above 
for page in pages: 

    # Declaring filename for each page of PDF as JPG 
    # For each page, filename will be: 
    # PDF page 1 -> page_1.jpg 
    # PDF page 2 -> page_2.jpg 
    # PDF page 3 -> page_3.jpg 
    # .... 
    # PDF page n -> page_n.jpg 
    filename = "page_"+str(image_counter)+".jpg"

    # Save the image of the page in system 
    page.save(filename, 'JPEG') 

    # Increment the counter to update filename 
    image_counter = image_counter + 1

''' 
Part #2 - Recognizing text from the images using OCR 
'''

# Variable to get count of total number of pages 
filelimit = image_counter-1

# Creating a text file to write the output 
outfile = "out_text.txt"

# Open the file in append mode so that 
# All contents of all images are added to the same file 
f = open(outfile, "a") 

# Iterate from 1 to total number of pages 
for i in range(1, filelimit + 1): 

    # Set filename to recognize text from 
    # Again, these files will be: 
    # page_1.jpg 
    # page_2.jpg 
    # .... 
    # page_n.jpg 
    filename = "page_"+str(i)+".jpg"

    # Recognize the text as string in image using pytesserct 
    text = str(((pytesseract.image_to_string(Image.open(filename))))) 

    # The recognized text is stored in variable text 
    # Any string processing may be applied on text 
    # Here, basic formatting has been done: 
    # In many PDFs, at line ending, if a word can't 
    # be written fully, a 'hyphen' is added. 
    # The rest of the word is written in the next line 
    # Eg: This is a sample text this word here GeeksF- 
    # orGeeks is half on first line, remaining on next. 
    # To remove this, we replace every '-\n' to ''. 
    text = text.replace('-\n', '')   

    # Finally, write the processed text to the file. 
    f.write(text) 

# Close the file after writing all the text. 
f.close()

Прикреплен документ, который нужно преобразовать, и ошибка, с которой я столкнулся.

1 Ответ

0 голосов
/ 29 мая 2020

Проблема заключается в преобразовании вашего PDF в изображение. Не пробовал pdf2image. Я использую fitz. Эта программа способна извлекать даже несколько изображений, представленных на одной странице pdf.

Установите пакет 

pip install PyMuPDF

затем 

import fitz

def converted(directory_to_store, path_of_pdf_file):
    file = fitz.open(path_of_pdf_file)
    page = len(file)
    j = 0
    for i in range(page):
        for image in file.getPageImageList(i):
            my_xref = image[0]
            pic = fitz.Pixmap(file, my_xref)    
            final_image = fitz.Pixmap(fitz.csRGB, pic)
            file_name = str(j) + '.png'
            image_path = directory_to_store + file_name
            final_image.writePNG(img_path)
            j+=1
            pic = None
            final_pic = None

    print('Conversion Complete')
...