如何使用 Python 读取 PDF 扩展文件中的图像中的文本？

【问题标题】：How to read a TEXT in an image in PDF extension file using Python?如何使用 Python 读取 PDF 扩展文件中的图像中的文本？
【发布时间】：2019-11-20 04:18:40
【问题描述】：

我尝试阅读带有文本表格数据的 PDF 文件并成功了。但是我有一个 PDF 格式的图像，其中包含一些需要提取以用于记录目的的文本。所有的 PDF 都在一个特定的文件夹中。我只知道python的基础知识。谁能帮我解决这个问题？

【问题讨论】：

这是重复的。看看这篇文章：stackoverflow.com/questions/17630650/…
tabula.technology 这可能会使用您正在提取的特定字段的坐标来解决您的问题
试试这个：stackoverflow.com/questions/34837707/…
我尝试过使用 pyPDF2 。它可以识别 pdf 中的表格数据和文本，这些数据和文本从 MS word 转换为 PDF，但我需要读取包含一些随机文本的图像。有人可以帮忙吗？

标签： python

【解决方案1】：

您可以使用pdfreader从 PDF 文档中提取图像（内联和 XObject）和文本（纯文本和包含 PDF 运算符）

这是从所有文档页面中提取上述所有内容的示例代码。

from pdfreader import SimplePDFViewer, PageDoesNotExist

fd = open(you_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)

plain_text = ""
pdf_markdown = ""
images = []
try:
    while True:
        viewer.render()
        pdf_markdown += viewer.canvas.text_content
        plain_text += "".join(viewer.canvas.strings)
        images.extend(viewer.canvas.inline_images)
        images.extend(viewer.canvas.images.values())
        viewer.next()
except PageDoesNotExist:
    pass

您也可以将图片转换为PIL/Pillow对象并保存

for i, img in enumerate(images):
    img.to_Pillow().save("{}.png".format(i))

【讨论】：