Question

如何使用tesseract python 3读取目录中的所有pdf文件并转换为文本文件？

下面的代码用于读取一个pdf文件并转换为文本文件。

但是我想读取目录中的所有pdf文件，并使用tesseract python 3转换为文本文件

 from PIL import Image 
 import pytesseract 
 import sys 
 from pdf2image import convert_from_path 
 import os 

 pdf_filename = "pdffile_name.pdf"
 txt_filename = "text_file_created.txt"

 def tesseract(pdf_filename,txt_filename): 
      PDF_file = pdf_filename
      pages = convert_from_path(PDF_file, 500)  
      image_counter = 1

     for page in pages:  
        pdf_filename = "page_"+str(image_counter)+".jpg"
        page.save(pdf_filename, 'JPEG') 
        image_counter = image_counter + 1

filelimit = image_counter-1
outfile = txt_filename
f = open(outfile, "a",encoding = "utf-8") 

for i in range(1, filelimit + 1): 
    pdf_filename = "page_"+str(i)+".jpg"
    text = str(((pytesseract.image_to_string(Image.open(pdf_filename))))) 
    text = text.replace('-\n', '')
    f.write(text) 

f.close() 
f1 = open(outfile, "r",encoding = "utf-8") 
text_list = f1.readlines()
return text_list

tesseract(pdf_filename,txt_filename)`enter code here`

我有用于读取目录中pdf文件的代码，但我不知道将此代码与上述代码结合起来

def readfiles():
os.chdir(path)
pdfs = []
for file_list in glob.glob("*.pdf"):
    print(file_list)
    pdfs.append(file_list)

readfiles()

Answer 1

使用以下代码段将变量pdf_filename转换为列表：

import glob

pdf_filename = [f for f in glob.glob("your_preferred_path/*.pdf")]

这将为您提供所有想要的pdf文件，并将其存储在列表中。

或者只是使用此处发布的任何方法：

How do I list all files of a directory?

执行完此操作后，您现在将获得一个pdf文件列表。

现在遍历pdf列表，一次一次，这将为您提供测试文件列表。

您可以使用类似以下代码段的方式：

for one_pdf in pdf_filename:

#* your code to convert the files *#

希望这会有所帮助。

如何使用tesseract python 3读取目录中的所有pdf文件并转换为文本文件？

1 个答案: