Python 是当今世界最受欢迎的编程语言之一。我们可以用它来分析数据,但数据并不总是以所需的格式提供。在这种情况下,我们可以将文件的格式从 pdf、jpg 转换为文本(。txt)格式,以便以更好的方式分析数据。有许多库可用于执行此类任务。
我们可以使用 Python 的 PyPDF2 模块来执行转换。pdf 文件转换为文本格式。使用该模块时,我们面临的主要缺点是编码方案。PDF 文档文件可以包含多种编码,如 Unicode、ASCII、UTF-8 等。因此,将 PDF 文件转换为文本可能会因为编码模式而导致数据丢失。
在本教程中,我们将学习如何读取 PDF 文件的内容并将其存储在文本文件中。txt)格式,采用“OCR”方法。
首先,我们必须将 PDF 文档文件的页面转换成图像,然后,我们将使用 OCR 从图像中读取内容并将其存储在文本中()。txt)格式文件。
所需模块:
在本教程中,我们必须使用给定的命令安装以下模块:
- 电池:
!pip3 install PIL
- 中小企业:-
!pip3 install pytesseract
- pdf2image: -
!pip3 install pdf2image
- 宇宙魔方-ocr: -
!pip3 install tesseract-ocr
(为此用户应该拥有微软 Visual C++ 14.0,使用“Visual Studio 构建工具”获取:https://visualstudio.microsoft.com/downloads/)
第一部分:
第一部分将处理转换我的 PDF 页面为图像文件。PDF 文件的每一页都将存储为图像文件,图像的名称将存储为:
PDF page no. 1: page_no_1.jpg
PDF page no. 2: page_no_2.jpg
PDF page no. 3: page_no_3.jpg
PDF page no. 4: page_no_4.jpg
.
.
PDF page no. n: page_no_n.jpg
第二部分:
第二部分将处理从图像文件中识别文本,将其分类到文本文件中。txt”格式。在这里,我们将处理图像文件,将其转换为文本内容。一旦我们将文本作为字符串变量,我们就可以开始处理文本了。txt)文件。比如,在很多 PFD 文件中,我们可以看到,当一行完整,但最后一个字不能完全写在同一行,那么,在最后加一个连字符,这个字就延续到下一行。例如:
This is an example to show the above explanation of the wo-
rd which cannot be written entirely in the same line and is conti-
nued in the next line.
对于这样的单词,我们将做一个基本的预处理,将连字符和下面的行转换成一个完整的单词。当我们完成预处理后,这些文本将被分类到一个单独的文本文件中。
代码:
from PIL import Image as img
import pytesseract as PT
import sys
from pdf2image import convert_from_path as CFP
import os
# Importing the pdf file
PDF_file_1 = "exp.pdf"
pages_1 = CFP(PDF_file1, 9)
# Now, we will create a counter for storing images of each page of PDF to image
image_counter1 = 1
# Iterating through all the pages of the pdf file stored above
for page in pages_1:
# We will Declare the filename for each page of PDF file as JPG file
# For each page, the filename will be:
# PDF page no. 1: Page_no_1.jpg
# PDF page no.2: Page_no_2.jpg
# PDF page no. 3: Page_no_3.jpg
# PDF page no. 4: Page_no_4.jpg
# .... and so on..
# PDF page n: page_n.jpg
filename1 = "Page_no_" + str(image_counter) + " .jpg"
# Now, we will save the image of the page in system
page.save(filename1, 'JPEG')
# Then, we will increase the counter for updating filenames
image_counter1 = image_counter1 + 1
'''
Part #2 - Recognize the text content from the image files by using OCR
'''
# Variable for getting the count of the total number of pages
filelimit1 = image_counter1 - 1
# then, we will create a text file for writing the output
out_file1 = "output_text.txt"
# Now, we will open the output file in append mode so that all contents of the # images will be added in the same output file.
f_1 = open(out_file1, "a")
# Iterating from 1 to total number of pages
for K in range(1, filelimit1 + 1):
# Now, we will set filename for recognizing text from images
# Again, these files will be:
# Page_no_1.jpg
# Page_no_2.jpg
# Page_no_3.jpg
# ....
# page_no_n.jpg
filename1 = "Page_no_" + str(K) + " .jpg"
# Here, we will write a code for recognizing the text as a string variable in an image file by using the pytesserct module
text1 = str(((PT.image_to_string (Image.open (filename1)))))
# : The recognized text will be stored in variable text
# : Any string variable processing may be applied to text content
# : Here, basic formatting will be done:-
text1 = text1.replace('-\n', '')
# At last, we will write the processed text into the file.
f_1.write(text1)
# Closing the file after writing all the text content.
f_1.close()
输出:
输入 PDF 文件:
输出文本文件:
我们可以看到,PDF 文件的页面是如何转换成图像的。然后这些图像被读取,它们的内容被写入文本文件。
使用 OCR 方法的优点:
- 用户可以避免基于文本的转换,这种转换会因编码方案而导致数据丢失。
- OCR 模块还可以识别 PDF 文件中的手写内容。
- 用户还可以通过使用 OCR 模块来修改仅识别 PDF 的特定页面。
- 预处理可以大量完成,因为它以可变的形式获得文本。
使用 OCR 方法的缺点:
- 磁盘存储器用于在本地系统中存储图像文件。但是,这些文件占用的空间很少。
- OCR 的使用不能保证 100%的准确性。而在计算机上创建的 PDF 文件文档具有很高的准确性。
- OCR 模块可以识别手写内容,但准确性取决于许多因素,如页面的颜色、笔迹的清晰度等。
结论
在本教程中,我们讨论了如何使用 Python 中的 OCR 来读取 PDF 文件的内容。