问题描述
我需要转换的 pdf 文件将在表格中包含图像。我想将pdf表格中的文本和图像转换为excel。请为我推荐合适的库。
解决方法
您需要编写一个脚本来读取和检测字符和 Excel 单元格。您也许可以使用 open-cv 和内置字符识别工具来做到这一点,但我不知道这有多容易。我能想到的另一种方法是制作一个 ML 模型,该模型将从图像中识别 Excel 表格。不过这真的很难,需要很多经验。
,您可以使用 PikePDF 从 pdf 中提取图像:
from pikepdf import Pdf,PdfImage
filename = "sample.pdf"
example = Pdf.open(filename)
for i,page in enumerate(example.pages):
for j,(name,raw_image) in enumerate(page.images.items()):
image = PdfImage(raw_image)
out = image.extract_to(fileprefix=f"{filename}-page{i:03}-img{j:03}")
提取图像后,您可以使用 OCR 将图像转换为表格