Rah*_*wal 15 python pdf ocr python-3.x
需要一个解决方案来转换PDF文件,其中每个页面都是图像,页面可以包含文本,表格或两者的组合到可搜索的pdf.
我使用过ABBY FineReader Online,它完美地完成了这项工作,但我正在寻找一种可以通过Windows Python实现的解决方案
我已经做了详细的分析,下面的链接接近我想要的但不完全是:
它告诉我使用Ghost脚本将它转换为第一个图像然后它直接转换为文本.我不相信tesseract将不可搜索的内容转换为可搜索的PDF文件.
上述解决方案有助于反向转换,即将可搜索转换为不可搜索的.另外我认为这些在Ubuntu/Linux/MacOS中是有效的.
可有人请在讲述什么应该是在实现非搜索的可搜索的Python代码帮助的Windows的Python？
更新1
我在Asprise Web Ocr上获得了理想的结果.以下是链接和代码:
https://asprise.com/royalty-free-library/python-ocr-api-overview.html
我正在寻找一种解决方案,只能通过Windows Python库来完成
更新2
我知道将不可搜索的pdf直接转换为文本的解决方案.但我正在寻找他们的任何方式将不可搜索的转换为可搜索的PDF.我有使用PyPDF2将PDF转换为文本的代码.
那么你实际上并不需要将pdf中的所有内容转换为文本.文本将保留文本,表格将保留表格,如果可能,图像应成为文本.您需要一个实际按原样读取pdf的脚本,并开始在块上进行转换.该脚本将写入文本块,直到文档被完全读取,然后将其转换为pdf.就像是
if line_is_text():
write_the_line_as_is()
elif line_is_img():
transform_img_in_text()# comments below code
...
..
.
现在transform_img_in_text()我认为可以使用许多外部库来完成,您可以使用它们:
您可以通过pip上面链接中提供的说明下载此lib .
我过去曾使用pypdfocr来执行此操作。不过最近还没有更新。
来自自述文件：
pypdfocr filename.pdf
--> filename_ocr.pdf will be generated
仔细阅读 Windows 的安装说明。
更新的 Python 库是 OCRmyPDF： https: //github.com/jbarlow83/OCRmyPDF有一个适用于 Windows 的 Docker 映像
| 归档时间： |
|
| 查看次数： |
3730 次 |
| 最近记录： |