时间戳

首页 > 解决方案 > 传递 pdf 文件目录以执行 OCR，并为 Python 中的每个转换文件生成 .txt 文件

python - 传递 pdf 文件目录以执行 OCR，并为 Python 中的每个转换文件生成 .txt 文件

问题描述

我有一个包含 pdf 文件的目录。当您将文件名传递给 wand.image 类的对象时，我编写了执行 OCR 的代码。我现在要做的是遍历pdf文件的目录并为每个pdf生成一个OCR'd txt文件并将其保存在某个目录中。我写到现在的代码如下：

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])

关于如何从 OCR'd pdf 生成 .txt 文件的任何建议

标签： pythonloopspdffile-handlingpython-tesseract

解决方案

在代码末尾试试这个：

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

推荐阅读