使用Tesseract OCR从扫描的pdf文件夹中提取文本

问题描述

我有使用Tesseract OCR从扫描的pdf文件/普通pdf文件中提取/转换文本的代码。但是我想让我的代码转换一个pdf文件夹而不是单个pdf文件，然后将提取的文本文件存储在我想要的文件夹中。

请参阅下面的代码：

filePath = '/Users/CodingStark/scanned/scanned-file.pdf'
pages = convert_from_path(filePath,500)


image_counter = 1
  
# Iterate through all the pages stored above 
for page in pages: 
  
    filename = "page_"+str(image_counter)+".jpg"
          
    page.save(filename,'JPEG') 
  
    image_counter = image_counter + 1
    

filelimit = image_counter-1
  
# Creating a text file to write the output 
outfile = "scanned-file.txt"
  

f = open(outfile,"a") 
  
# Iterate from 1 to total number of pages 
for i in range(1,filelimit + 1): 

    filename = "page_"+str(i)+".jpg"
          
    # Recognize the text as string in image using PyTesserct 
    text = str(((PyTesseract.image_to_string(Image.open(filename))))) 

    text = text.replace('-\n','')     
  

    f.write(text) 
#Close the file after writing all the text. 
f.close() 

我想使我的代码自动化，以便它将所有我的pdf文件转换为扫描的文件夹，而那些提取的文本文件将位于我想要的文件夹中。另外，有什么方法可以在代码之后删除所有jpg文件？由于占用大量内存空间。非常感谢！！

解决方法

这是从路径读取的循环，

import glob,os
import os,subprocess

pdf_dir = "dir"
os.chdir(pdf_dir)
for pdf_file in glob.glob(os.path.join(pdf_dir,"*.PDF")):
      //// put here what you want to do for each pdf file