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@)