我有一个包含 PDF 文件(图像)的大目录，如何从目录中的所有文件中有效地提取文本？。到目前为止，我尝试:

import multiprocessing
import textract

def extract_txt(file_path):
    text = textract.process(file_path, method='tesseract')

p = multiprocessing.Pool(2)
file_path = ['/Users/user/Desktop/sample.pdf']
list(p.map(extract_txt, file_path))

但是，它不起作用……它需要很多时间(我有一些文档有 600 页)。另外:a)我不知道如何有效地处理目录转换部分。 b) 我想添加一个页面分隔符，比方说:<start/age = 1> ... page content ... <end/page = 1> , 但我不知道该怎么做。

因此，我该如何应用 extract_txt对目录中以 .pdf 结尾的所有元素起作用并在另一个目录中返回相同的文件，但在 .txt 中格式，并添加带有 OCR 文本提取的页面分隔符？

此外，我对使用 google docs 来完成这项任务感到好奇，是否可以以编程方式使用 google docs 来解决上述文本提取问题？

更新

关于“添加页面分隔符”问题(<start/age = 1> ... page content ... <end/page = 1>)，在阅读 Roland Smith 的回答后，我尝试:

from PyPDF2 import PdfFileWriter, PdfFileReader
import textract


def extract_text(pdf_file):
    inputpdf = PdfFileReader(open(pdf_file, "rb"))
    for i in range(inputpdf.numPages):
        w = PdfFileWriter()
        w.addPage(inputpdf.getPage(i))
        outfname = 'page{:03d}.pdf'.format(i)
        with open(outfname, 'wb') as outfile:  # I presume you need `wb`.
             w.write(outfile)
        print('\n<begin page pos =' , i, '>\n')
        text = textract.process(str(outfname), method='tesseract')
        os.remove(outfname)  # clean up.
        print(str(text, 'utf8'))
        print('\n<end page pos =' , i, '>\n')

extract_text('/Users/user/Downloads/ImageOnly.pdf')

但是，我仍然对 print() 有疑问部分，因为与其打印，不如将所有输出保存到文件中更有用。因此，我尝试将输出重定向到一个文件:

sys.stdout=open("test.txt","w")
print('\n<begin page pos =' , i, '>\n')
sys.stdout.close()
text = textract.process(str(outfname), method='tesseract')
os.remove(outfname)  # clean up.
sys.stdout=open("test.txt","w")
print(str(text, 'utf8'))
sys.stdout.close()
sys.stdout=open("test.txt","w")
print('\n<end page pos =' , i, '>\n')
sys.stdout.close()

知道如何制作页面提取/分隔符技巧并将所有内容保存到文件中吗？...

最佳答案

在您的代码中，您正在提取文本，但您不对其执行任何操作。

尝试这样的事情:

def extract_txt(file_path):
    text = textract.process(file_path, method='tesseract')
    outfn = file_path[:-4] + '.txt'  # assuming filenames end with '.pdf'
    with open(outfn, 'wb') as output_file:
        output_file.write(text)
    return file_path

这会将文本写入具有相同名称但扩展名为 .txt 的文件。

它还返回原始文件的路径，让家长知道这个文件已经完成。

所以我会将映射代码更改为:

p = multiprocessing.Pool()
file_path = ['/Users/user/Desktop/sample.pdf']
for fn in p.imap_unordered(extract_txt, file_path):
    print('completed file:', fn)

• 创建Pool 时不需要给出参数。默认情况下，它将创建与 cpu-cores 一样多的 worker。
• 使用 imap_unordered 创建一个迭代器，它会在值可用时立即开始产生值。
• 因为 worker 函数返回了文件名，你可以打印它让用户知道这个文件已经完成。

编辑 1:

另一个问题是是否可以标记页面边界。我认为是。

肯定可行的方法是在 OCR 之前将 PDF 文件拆分成页面。。你可以使用例如pdfinfo 从 poppler-utils 包中找出文档中的页数。然后你可以使用例如pdfseparate 来自同一个 poppler-utils 包，将 N 页的一个 pdf 文件转换为一页的 N 个 pdf 文件。然后您可以单独对单页 PDF 文件进行 OCR。这将分别为您提供每个页面上的文本。

或者，您可以对整个文档进行 OCR，然后搜索分页符。如果文档在每一页上都有固定的或可预测的页眉或页脚，这将仅工作。它可能不如上述方法可靠。

编辑 2:

如果你需要一个文件，写一个文件:

from PyPDF2 import PdfFileWriter, PdfFileReader
import textract

def extract_text(pdf_file):
    inputpdf = PdfFileReader(open(pdf_file, "rb"))
    outfname = pdf_file[:-4] + '.txt' # Assuming PDF file name ends with ".pdf"
    with open(outfname, 'w') as textfile:
        for i in range(inputpdf.numPages):
            w = PdfFileWriter()
            w.addPage(inputpdf.getPage(i))
            outfname = 'page{:03d}.pdf'.format(i)
            with open(outfname, 'wb') as outfile:  # I presume you need `wb`.
                w.write(outfile)
            print('page', i)
            text = textract.process(outfname, method='tesseract')
            # Add header and footer.
            text = '\n<begin page pos = {}>\n'.format(i) + text + '\n<end page pos = {}>\n'.format(i)
            # Write the OCR-ed text to the output file.
            textfile.write(text)
            os.remove(outfname)  # clean up.
            print(text)

关于python - 如何使用 OCR 有效地从 PDF 文件目录中提取文本？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/43672358/