python - 与 Chrome 浏览器类似，如何使用 Python 从 PDF 中提取文本？
问题描述
我正在尝试从 pdf 文件中提取文本（类似于表单）。目前，我在 Chrome 上打开文件，选择/复制所有文本，将其粘贴到 txt 文件中，然后使用 Python 将其处理为 CSV。Chrome 让我拥有非常结构化和统一的数据，因此 pdf 的每一页都会产生类似的文本块，让我可以轻松处理它。
我正在尝试直接从 pdf 中提取文本，将其处理为 CSV 格式，但由于生成原始 pdf 的方式，我总是得到一些混乱的结果。我已经尝试过 pdfminer 和 pyPdf2，但是当表单在某些字段中缺少值时，结果会变得混乱。
也许这是一个笼统的问题，但是，我怎样才能在我的提取中获得更有条理的结果？
解决方案
并非所有 PDF 都嵌入了文本。有些是嵌入图像中的文本。因此，要获得适用于所有 PDF 的通用解决方案，就是使用 OCR。
步骤 1) 将 PDF 转换为图像
步骤 2) 使用 pytessract 执行 OCR：使用 pytesseract OCR 从图像中识别文本