Передайте каталог файлов PDF для выполнения OCR и сгенерируйте файлы .txt для каждого преобразованного файла в Python - PullRequest
Новая
       28

Передайте каталог файлов PDF для выполнения OCR и сгенерируйте файлы .txt для каждого преобразованного файла в Python

0 голосов
/ 30 мая 2019

У меня есть каталог, содержащий файлы PDF. Я написал код, который выполняет OCR, когда вы передаете имя файла объекту класса wand.image. В настоящее время я хочу сделать цикл по каталогу файлов PDF и сгенерировать текстовый файл OCR для каждого файла PDF и сохранить его в некотором каталоге. Код, который я написал до сих пор, выглядит следующим образом: 

import io
from PIL import Image
import pytesseract
from wand.image import Image as wi




pdf = wi(filename = r"D:\files\aba7d525-04b8-4474-a40d-e94f9656ed42.pdf", resolution = 300)

pdfImg = pdf.convert('jpeg')

imgBlobs = []

for img in pdfImg.sequence:
    page = wi(image = img)
    imgBlobs.append(page.make_blob('jpeg'))

extracted_text = []

for imgBlob in imgBlobs:
    im = Image.open(io.BytesIO(imgBlob))
    text = pytesseract.image_to_string(im, lang = 'eng')
    extracted_text.append(text)

print(extracted_text[0])

Любые предложения о том, как я могу сгенерировать .txt файлы из OCR'd PDF

1 Ответ

1 голос
/ 30 мая 2019

Попробуйте это в конце вашего кода: 

with open('filename.txt', 'w') as result:
     for line in extracted_text:
          result.write(line,'\n')
...