为什么 pdf2image 给我一个空白的图像文件？

问题描述

我尝试在多个大 pdf 文件（~400-600 页）上使用 Tesseract OCR 执行 OCR。我不一定要从所有页面中提取文本，但我只想要几页（已知页码）。 PDF 文件似乎已经对其执行了某种 OCR，但这并不是一项好工作。当我运行我在 Jupyter 中编写的这段代码时：

import pdf2image
from PIL import Image
import PyTesseract
import cv2
import numpy as np

PyTesseract.PyTesseract.tesseract_cmd = r"C:/Program Files/Tesseract-OCR/tesseract.exe"
images = pdf2image.convert_from_path("test2.pdf",first_page=3,last_page=3,poppler_path=r"C:/Program Files/poppler-0.68.0/bin")
images[0].show()

我看到这个输出： [

输出应该是这样的：

我确实认为在 PDF 上完成的 OCR 在这里引起了一些问题。我不知道如何绕过它，有人可以帮忙吗？

我还通过手动将页面转换为图像（截图工具）来尝试 OCR，并且 OCR 引擎工作正常。我还尝试使用 pdf2image.convert_from_path() 上的选项，就像没有 poppler_path 选项或其他页面一样。我尝试阅读另一个 PDF 文件，该文件没有进行 OCR 处理，但似乎有效。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）