Pemisah PDF Digital dan Non-Digital — Python
Ada satu masalah dengan metode ekstraksi pdf. Saat kami menggunakan perpustakaan normal seperti PyPDF2, Pdfplumber, pdftotext, dll. untuk mengekstrak teks dari dokumen PDF yang berisi gambar pindaian di dalamnya, kami mendapatkan kesalahan.
Jadi pertanyaannya adalah bagaimana mengatasi kesalahan ini?
Langkah 1: Periksa apakah dokumen PDF berisi gambar di dalamnya. (PDF digital)
Langkah 2: Jika ya, gunakan metode pytesseract untuk mengekstrak teks dari gambar pindaian.
Langkah 3: Jika tidak, gunakan pustaka ekstraksi PDF normal seperti PyPDF2, pdftotext atau pdfplumber, dll.
Langkah 4: Selamat menikmati
Pemisah PDF Digital dan Non-Digital dengan Python.
segregator.py
Di setiap dokumen pdf, kami memiliki satu properti yaitu 'Resources' . Jika sumber daya tersebut berisi 'font' sebagai sumber daya di dalamnya, maka halaman tersebut berisi data teks, jika tidak, cukup jelas bahwa halaman tersebut berisi gambar pindaian.
Dalam kode di atas, kami menggunakan perpustakaan PyPDF2 untuk mengekstrak 'Sumber Daya' setiap halaman dan memeriksa apakah sumber daya 'Font' ada di dalamnya atau tidak. Berdasarkan hasil ini kita dapat memanggil fungsi yang sesuai untuk mengekstrak teks dari PDF.
Kami juga dapat menemukan dokumen pdf cuaca yang berisi tipe campuran (gambar satu halaman dan teks halaman kedua).
Itu dia.
Terima kasih.
Suggested posts
Cara menjalankan plugin ChatGPT secara gratis menggunakan Langchain
Anda pasti pernah mendengar tentang semua plugin ChatGPT baru yang kuat seperti Browser, Code Interpreter, dll. Namun ada masalah, akses ke plugin terbatas pada daftar tunggu sehingga banyak yang tidak memiliki akses ke sana.
Sumber daya pengkodean saya yang paling sering digunakan
Minggu ini, saya menerima email dari anggota daftar email harian. Mereka ingin tahu: Sumber daya apa yang Anda kunjungi setiap hari, setiap minggu, dan setiap bulan? Pertanyaan bagus! Saya senang untuk mencoba membagikan beberapa wawasan tentang alur kerja saya & sumber daya teratas yang saya gunakan.
Related posts
Menciptakan Lingkungan Kerja yang Aman
“Dia akan melindungiku saat aku dalam bahaya. Dia akan menyembunyikan saya di tendanya.
Lacak Siapa Saja Hanya dengan Nomor Telepon | Investigasi OSINT
Anda bisa menjadi Penyelidik OSINT, Pemain CTF, atau sekadar seseorang yang menerima panggilan spam. Seseorang yang mencoba memverifikasi nomor yang Anda lihat di iklan.
Arsip Ancaman Itu: Vol 7 Black Basta
Di dunia yang saling terhubung saat ini, ancaman serangan dunia maya lebih umum dari sebelumnya. Penjahat dunia maya dan aktor negara terus-menerus berusaha mengeksploitasi kerentanan dan mencuri data berharga, yang menimbulkan risiko signifikan bagi organisasi dari semua ukuran.
Belajar di Minggu Kerja lebih penting daripada yang Anda pikirkan
Kita sering menemukan diri kita berjuang untuk menerapkan apa yang kita tahu baik untuk kita. Dari memberi tahu orang penting bahwa kita mencintai mereka hingga mengingat untuk berbicara seperti bajak laut, akan selalu ada orang yang mengklaim bahwa acara sehari, seminggu, atau sebulan tidak diperlukan karena mereka sudah melakukan hal-hal itu.