使用Python从扫描的pdf中提取PDF数据 [英] Pdf data extraction from scanned pdf using python

问题描述

我正在用tesseract OCR从扫描的pdf中提取数据，我能够提取数据，但精度不是很好。在很多地方，它显示错误的数据，所以我可以100%准确地获取数据。

首先我将pdf转换为jpg格式，然后使用tesseract模块从图像中提取数据。

from PIL import Image
import pytesseract

text=(pytesseract.image_to_string(Image.open(r"C:UserssumeshDesktopipippdf11.jpg")))
text=repr(text)
text=text.replace(r"
","")
print(text)

我期望从pdf获得正确的数据，但我得到的数据不同，例如z显示2，5是s，1是i，依此类推

推荐答案

请在文件路径后加上"dpi=500"，这可能会有帮助.. 有关更多信息，请关注我在此处发布的答案How to convert .png images to searchable PDF/word using Python

这篇关于使用Python从扫描的pdf中提取PDF数据的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！