Question

我有一些pdf文件，我想从中提取文本，我几乎使用了与之相关的所有库，如pyPDF2，pdfminer。甚至继续使用tesseract和imagemagick。 Imagemagick以转换的jpg格式使大多数pdf页面变黑，然后tesseract无法读取。

问题是，在提取文本/段落时，图书馆并没有提取整个文本/段落。例如，在某些pdf文件中，正在提取整个文本，而在其他pdf文件中，只提取整个段落中的几行。

我想知道，如果有任何其他方式通过python提取文本？然而，当我将pdf从在线源转换为jpg时，我能够提取所有文本，然后在转换的jpg文件上使用tesseract。但是，这种方法并不可行。

Answer 1

确保展平图像，将背景指定为白色，以及使用命令行文档中指定的其他协议。有很多选择可供选择。我已经找到了很好的结果，但在你的情况下可能会有所不同。

您将要检查输出，直到它看起来足够令人满意，以便OCR读取。

magick -colorspace gray filename.ppm  
-density 300 -depth 8 -flatten -auto-orient -auto-level -rotate -90> output.tif

如需更多帮助，请查看here

Answer 2

尝试pdfreader从PDF文档中提取文本（纯文本并包含PDF运算符）和图像（内联和XObject）

这是从所有文档页面提取以上所有内容的示例代码。

from pdfreader import SimplePDFViewer, PageDoesNotExist

fd = open(you_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)

plain_text = ""
pdf_markdown = ""
images = []
try:
    while True:
        viewer.render()
        pdf_markdown += viewer.canvas.text_content
        plain_text += "".join(viewer.canvas.strings)
        images.extend(viewer.canvas.inline_images)
        images.extend(viewer.canvas.images.values())
        viewer.next()
except PageDoesNotExist:
    pass

您可以将图像转换为PIL/Pillow对象并保存（或执行所需的任何操作）

for i, img in enumerate(images):
    img.to_Pillow().save("{}.png".format(i))

Python - 阅读PDF

2 个答案: