如何從PDF個文件中正確提取日語txt

Question

我需要從 pdf 文件中提取文本。

問題是文件的某些頁面是掃描的 pdf，無法使用 PyPDF 或 PDFMiner 檢索文本。 所以文本是空的。

誰能告訴我如何處理？

Answer 1

我不認為有一個快速的解決方案來處理 Unicode，尤其是日本人。

我們可以 go 的解決方案之一：

• 遍歷頁面，判斷頁面是否為掃描pdf。 這可以使用 PyMUPDF 完成，看看這個答案。
• 如果頁面不是掃描pdf，我們可以像往常一樣從pdf中提取文本。
• 對於沒有掃描pdf的頁面，我們可以使用pdf2image將pdf轉換成.png圖片，然后使用pytesseract提取數據。 這里通過示例代碼介紹如何從圖像中讀取數據。
• 您可能需要做一些額外的數據工作才能獲得正確的單詞。

import cv2
import pytesseract
from pytesseract import Output

img = cv2.imread('invoice-sample.jpg')

d = pytesseract.image_to_data(img, output_type=Output.DICT)
print(d.keys())

關於tesseract，你可以在這篇文章中找到更多。