OCR aus PDF in Python

1. 1. Einführung

Ich ahmte die wunderbaren Vorfahren nach und schrieb den Code von PDF in Python in OCR. Und verwenden. Ich konvertiere das PDF mit poppler in jpg und transkribiere es dann mit Tesseract OCR in eine txt-Datei.

Ich bin ein Anfänger, daher würde ich mich freuen, wenn Sie auf etwas Seltsames im Code hinweisen könnten. Ich habe auch auf viele Websites verwiesen, die ich nicht zitiert habe. Vielen Dank.

2. Überblick

In Bezug auf diese Site lautet die Ordnerstruktur wie folgt. So konvertieren Sie PDF mit Python in eine Bilddatei (JPEG, PNG)

• Löschen Sie zuerst die alten Dateien im Ordner

import os
import pathlib
from pathlib import Path
from pdf2image import convert_from_path
from PIL import Image
import sys
import pyocr
import pyocr.builders
import pathlib
import glob


def cleanup():
    #Verzeichnis mit der zu löschenden IMG-Datei
    image_dir = pathlib.Path('./image_file')
    #Holen Sie sich eine Liste der JPEG-Dateien in einem Verzeichnis mit glob
    jpg_path = list(image_dir.glob('**/*.jpeg'))

    #Verzeichnis mit der zu löschenden txt-Datei
    txt_dir = pathlib.Path('./txt_file')
    #Ruft eine Liste der txt-Dateien in einem Verzeichnis mit glob ab
    txt_path = list(txt_dir.glob('**/*.txt'))

    if jpg_path == []:  #Unterbrechen Sie, wenn die Liste leer ist
        pass
    else:
        for i in jpg_path:
            os.remove(i)

    if txt_path == []:  #Unterbrechen Sie, wenn die Liste leer ist
        pass
    else:
        for i in txt_path:
            os.remove(i)

• Als nächstes konvertieren Sie PDF in JPG

def pdf_to_image():
    # poppler/Fügen Sie bin zur Umgebungsvariablen Path hinzu(Vorübergehend)
    # Path("__file__").parent.resolve()damit.Gibt den absoluten Pfad des übergeordneten Ordners der py-Datei zurück
    poppler_dir = pathlib.Path("__file__").parent.resolve() / "poppler/bin"
    #pathsep ist ein Trennzeichen beim Hinzufügen zu Umgebungsvariablen.
    os.environ["PATH"] += os.pathsep + str(poppler_dir)

    #PDF-Dateipfad
    pdf_dir = pathlib.Path('./pdf_file')
    #Holen Sie sich eine Liste der PDF-Dateien in einem Verzeichnis mit glob
    pdf_path = list(pdf_dir.glob('**/*.pdf'))

    # PDF ->In Bild konvertieren(200dpi)
    pages = convert_from_path(str(pdf_path[0]))

    #Speichern Sie Bilddateien Seite für Seite
    image_dir = pathlib.Path("./image_file")
    for i, page in enumerate(pages):  #Ermitteln Sie die Anzahl der Seiten von Seiten mit der Aufzählungsfunktion
        # .Zeigen Sie das Ende des Pfades mit Stiel (Pathlib)
        file_name = pdf_path[0].stem + "_{:02d}".format(i + 1) + ".jpeg "
        image_path = image_dir / file_name
        #Als JPEG speichern
        page.save(str(image_path), "JPEG")

• Endlich ocr

def image_ocr():

    # tesseract-Übergeben Sie den OCR-Pfad
    tessera_path = "C:\***\Tesseract-OCR"
    #pathsep ist ein Trennzeichen beim Hinzufügen zu Umgebungsvariablen.
    os.environ["PATH"] += os.pathsep + str(tessera_path)

    tools = pyocr.get_available_tools()
    if len(tools) == 0:
        print("No OCR tool found")
        sys.exit(1)  #Argument 1 gibt 1 im Endstatus zurück

    tool = tools[0]

    #Verzeichnis mit OCR-Zieldateien
    image_dir = pathlib.Path('./image_file')
    #Holen Sie sich eine Liste der JPEG-Dateien in einem Verzeichnis mit glob
    jpg_path = list(image_dir.glob('**/*.jpeg'))

    for i in jpg_path:
        #Konvertieren Sie den ocr-Inhalt in die Variable txt
        txt = tool.image_to_string(
        Image.open(str(i)),
        lang="jpn",
        builder=pyocr.builders.TextBuilder(tesseract_layout=6)
        )
        #Variable txt txt_Als txt-Datei im Dateiverzeichnis speichern
        with open('./txt_file/' + str(i.stem) + '.txt', mode='wt') as t:
            t.write(txt)