Question

我使用python结合PyPDF2，PIL和pytesseract编写了一个脚本，以从{{1 }}文件。但是，当我尝试以下脚本从the scanned pages文件中从pdf获取内容时，到达包含first scanned page的行时，它将引发以下错误。

到目前为止我尝试过的脚本：

pdf

我遇到错误：

img = Image.open(pdfReader.getPage(0)).convert('L')

如何使它成功进行？

Answer 1

您需要先将pdf转换为图像，然后再执行

Python: Extract a page from a pdf as a jpeg

import PyPDF2
import pytesseract
from PIL import Image
from pdf2image import convert_from_path

pdfFileObj = r'C:\Users\WCS\Desktop\Scan project\Scanned.pdf'
pages = convert_from_path(pdfFileObj, 500)

page = pages[0]
page.save('out.png')

img = Image.open('out.png').convert('L')
imagetext = pytesseract.image_to_string(img)
print(imagetext)
pdfFileObj.close()

Answer 2

您的问题是，您希望PIL读取由PageObject定义的pypdf，这是错误的方式。您应该将pdf转换为图像格式，然后使用PIL进行阅读。在这种情况下，wand可能是您所需要的。 See its home page。以下是将所有页面以jpg格式保存为pdf的示例：

from wand.image import Image as WImage
with WImage(filename=your_pdf_path, resolution=(300,300)) as imgs:
    imgs.format = 'jpg'
    page_idx = 0
    for img in imgs.sequence:
        WImage(image=img).save(str(page_idx)+'.jpg')

现在，您可能想检查一下上面提到的api，并解决您的问题。

Answer 3

您无法阅读（）：

pdfReader.getPage(0)

因为它不是图像。从文档中我们可以得到：

getPage（pageNumber）

从此PDF文件中按编号检索页面。

参数：pageNumber（int）–要检索的页码（页面从零开始）

返回：一个 PageObject 实例。

返回类型：PageObject

因此，要进行处理，您需要阅读此类文档：

extractText（）

按照在内容流中提供的顺序查找所有文本绘制命令，然后提取文本。这对于某些PDF文件效果很好，但对其他PDF文件效果不佳，具体取决于所使用的生成器。将来会对此进行完善。不要依赖此功能产生的文本顺序，因为如果此功能变得更复杂，它将改变。

返回：Unicode字符串对象。

PageObject Doc

总结

pdfFileObj = open(r'C:\Users\WCS\Desktop\Scan project\Scanned.pdf', 'rb')

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
txt = (pdfReader.getPage(0)).extractText()

pdfFileObj.close()

print(txt)

如果您想要一张照片，那么不正确地看一下@TarunLalwani响应，这会更准确。

Answer 4

img = Image.open(pdfReader.getPage(0), 'r').convert('L')

无法成功执行以下脚本

4 个答案: