Question

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，我已经编写了执行OCR的代码。我目前要做的是遍历pdf文件目录，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。我到目前为止编写的代码如下：

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的pdf格式生成.txt文件的任何建议

Answer 1

在代码末尾尝试以下操作：

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

传递用于执行OCR的pdf文件目录，并为Python中的每个转换文件生成.txt文件

1 个答案: