使用pdfminer逐页阅读基于图像的pdf

问题描述

我正在运行一个脚本，该脚本使用 pdfminer 来拆分页面并逐页分析文档。 我的脚本是这样一页一页的：

from pdfminer.pdfinterp import PDFResourceManager,pdfpageInterpreter
from pdfminer.pdfpage import pdfpage
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from pdfminer.pdfdocument import PDFDocument
import PyTesseract

fp = open(pdf_path,'rb')
data = []
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr,retstr,laparams=laparams)
# Create a PDF interpreter object.
interpreter = pdfpageInterpreter(rsrcmgr,device)
# Process each page contained in the document.

for pageNumber,page in enumerate(pdfpage.get_pages(fp)):
    # Read PDF page,write text into stream
    interpreter.process_page(page)
    text = retstr.getvalue()

但是，有时我会得到基于图像的 pdf 并且我的 text 变量变空。我找不到“convert_image_to_string”pdfminer 函数，所以我找到了一个带有 pdf2image 的选项

for pageNumber,page in enumerate(pdfpage.get_pages(fp)): #prevIoUs code
    # Read PDF page,write text into stream               #prevIoUs code
    interpreter.process_page(page)                        #prevIoUs code
    text = retstr.getvalue()                              #prevIoUs code

    if len(text)<100:                                     #new code
        from pdf2image import convert_from_path           #new code
        img=convert_from_path(page,350)                   #new code
        text=PyTesseract.image_to_string(page)            #new code

但我需要在 pdf2image.convert_from_path 中输入一个文件路径，并且由于我之前的代码有一个 pdfminer 页面对象作为输出，我得到的返回是 TypeError: expected str,bytes or os.pathLike object,not pdfpage。因此，我非常感谢您提出以下建议：

a) 使用 pdfminer 将图像 pdf 转换为文本或；

b) 使用 pdfminer 以某种方式将 pdf 页面保存在某处，我可以使用 file_path 作为 pdf2image.covert_from_path

的输入

解决方法

好吧，没有人回答，我发现的解决方法是放弃 pdf miner，专注于 pdf2image 和 pytesseract。希望它可以帮助有相同问题的人。

from pdf2image import convert_from_path
import pytesseract

pdf=PdfFileReader(pdf_path)
numpages=pdf.getNumPages()

for pageNumber in range(numpages):
    page = pdf.getPage(pageNumber)
    text=page.extractText()
    if len(text)<100:
        pdfWriter=PdfFileWriter()
        pdfWriter.addPage(pdf.getPage(pageNumber))
        with open("pdfpage.pdf",'wb') as f:
            pdfWriter.write(f)
            f.close()
        
        imgpath="/Users/pdfpage.pdf"
        img=convert_from_path(imgpath,350)[0]
        try:text=pytesseract.image_to_string(img)
        except:text="no text"