python pdf ocr识别_python – 如何使用OCR有效地从PDF文件目录中提取文本？_weixin_39605191的博客-程序员宅基地

技术标签： python pdf ocr识别

在你的代码中,你正在提取文本,但是你不会做任何事情.

尝试这样的东西：

def extract_txt(file_path):

text = textract.process(file_path, method='tesseract')

outfn = file_path[:-4] + '.txt' # assuming filenames end with '.pdf'

with open(outfn, 'wb') as output_file:

output_file.write(text)

return file_path

这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,让父母知道此文件已完成.

所以我会将映射代码更改为：

p = multiprocessing.Pool()

file_path = ['/Users/user/Desktop/sample.pdf']

for fn in p.imap_unordered(extract_txt, file_path):

print('completed file:', fn)

>创建池时不需要提供参数.默认情况下,它将创建与cpu内核一样多的工作人员.

>使用imap_unordered创建一个迭代器,一旦它们可用就开始生成值.

>因为worker函数返回了文件名,所以你可以打印它来让用户知道这个文件是完成的.

编辑1：

另外一个问题是是否可以标记页边界.我觉得是这样的.

一个确定工作的方法是将PDF文件分割成OCR之前的页面.你可以使用例如pdfinfo从poppler-utils包中找出文档中的页数.然后你可以使用例如pdfs从同一个poppler-utils包中分离出来,将N页的一个pdf文件转换成一页的N个pdf文件.然后,您可以单独OCR单页PDF文件.这将分别给您每个页面上的文本.

或者,您可以OCR整个文档,然后搜索分页符.如果文档在每个页面上都有一个常量或可预测的页眉或页脚,这将只起作用.它可能不如上述方法那么可靠.

编辑2：

如果需要一个文件,请写一个文件：

from PyPDF2 import PdfFileWriter, PdfFileReader

import textract

def extract_text(pdf_file):

inputpdf = PdfFileReader(open(pdf_file, "rb"))

for i in range(inputpdf.numPages):

w = PdfFileWriter()

w.addPage(inputpdf.getPage(i))

outfname = 'page{:03d}.pdf'.format(i)

with open(outfname, 'wb') as outfile: # I presume you need `wb`.

w.write(outfile)

print('page', i)

text = textract.process(outfname, method='tesseract')

# Add header and footer.

text = '\n'.format(i) + text + '\n'.format(i)

# Write the OCR-ed text to a file for each page.

with open('page{:03d}.txt'.format(i), 'w') as textfile: # might need 'wb' depending on what textract puts out.

textfile.write(text)

os.remove(outfname) # clean up.

print(text)

本文链接：https://blog.csdn.net/weixin_39605191/article/details/110680846

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

vector(动态数组)_vector定义动态数组_永夜天的博客-程序员宅基地

1. vector(动态数组)vector 是向量类型，它可以容纳许多类型的数据，如若干个整数，所以称其为容器。vector 是C++ STL的一个重要成员，使用它时需要包含头文件：#include<vector>;一、vector 的初始化：可以有五种方式,举例说明如下： (1) vector<int> a(10); //定义了10个整型元素的向量（尖括号中为元素类型名，它可以是任何合法的数据类型），但没有给出初值，其值是不确定的。（2）vector<..._vector定义动态数组

一种通过自动脚本抓取Android 手机log的方法_maetelibom的博客-程序员宅基地

一种通过自动脚本抓取Android 手机log的方法作者：Amour.Wang 对于android 手机调试或测试中经常需要查看手机的logcat 输出，对于开发者平时一般都是直接使用IDE 查看logcat 输出，但是在有些情况下比如：1.单纯做测试，IDE 工具保存比较麻烦，或者没有IDE 工具的情况下，这时如果需要抓手机log 就比较麻烦。本文主要针对在没有安装andro

SDUT OJ 3361 数据结构实验之图论四：迷宫探索_鸿雁长飞光不度的博客-程序员宅基地

数据结构实验之图论四：迷宫探索Time Limit: 1000ms Memory limit: 65536K 有疑问？点这里^_^题目描述有一个地下迷宫，它的通道都是直的，而通道所有交叉点(包括通道的端点)上都有一盏灯和一个开关；请问如何从某个起点开始在迷宫中点亮所有的灯并回到起点？输入连续T组数据输入，每组数据第一行给出三

SQL-40 表中新增一列-程序员宅基地

题目描述存在actor表，包含如下列信息：CREATE TABLE IF NOT EXISTS actor (actor_id smallint(5) NOT NULL PRIMARY KEY,first_name varchar(45) NOT NULL,last_name varchar(45) NOT NULL,last_update timestamp NOT NULL DEFAU..._数据库新增一列

vue 二维码生成与下载_上好佳hhhhh的博客-程序员宅基地

1.安装npm install --save qrcode2.引入<el-button type="primary" style="float:right" @click="downLoad">立即下载</el-button>import QRCode from 'qrcodejs2' data() { return { callUrl:'https://www.baidu.com/' } },created() {

【数据标注】——标注工具评测labelimg/labelme_labelimg优点_农夫山泉2号的博客-程序员宅基地

标注工具labelimg/labelme的对比评测_labelimg优点