Segregatore PDF digitali e non digitali — Python
C'è un problema con il metodo di estrazione del pdf. Quando utilizziamo normali librerie come PyPDF2, Pdfplumber, pdftotext, ecc. per estrarre testo da documenti PDF che contengono immagini scansionate , riceviamo un errore.
Quindi la domanda è: come risolvere questo errore?
Passaggio 1: controlla se il documento PDF contiene immagini al suo interno. (PDF digitale)
Passaggio 2: Se sì, utilizza il metodo pytesseract per estrarre il testo dalle immagini scansionate.
Passaggio 3: altrimenti utilizza le normali librerie di estrazione PDF come PyPDF2, pdftotext o pdfplumber, ecc.
Passaggio 4: divertiti
Segregatore PDF digitali e non digitali in Python.
segregator.py
In ogni documento PDF, abbiamo una proprietà che è "Risorse" . Se quella risorsa contiene "font" come risorsa, allora quella pagina contiene dati di testo, altrimenti è abbastanza ovvio che la pagina contiene un'immagine di scansione.
Nel codice sopra, stiamo utilizzando la libreria PyPDF2 per estrarre le "Risorse" di ogni pagina e verificare se la risorsa "Font" è presente o meno in essa. Sulla base di questo risultato possiamo chiamare la funzione appropriata per estrarre il testo dal PDF.
Possiamo anche trovare documenti meteo in formato PDF contenenti tipi misti (immagine di una pagina e testo di seconda pagina).
Questo è tutto.
Grazie.
Suggested posts
Come eseguire i plug-in ChatGPT gratuitamente utilizzando Langchain
Devi aver sentito parlare di tutti i nuovi potenti plug-in ChatGPT come Browser, Code Interpreter ecc. Ma c'è un problema, l'accesso ai plug-in è limitato a una lista di attesa e quindi molti non hanno accesso ad essa.
Le mie risorse di codifica più utilizzate
Questa settimana ho ricevuto un'e-mail da un membro della mailing list quotidiana. Volevano sapere: quali risorse visiti giornalmente, settimanalmente e mensilmente? Ottima domanda! Sono felice di provare a condividere alcune informazioni sul mio flusso di lavoro e sulle migliori risorse che utilizzo.
Related posts
La persecuzione dei cristiani: il crimine d'odio di cui non parliamo
Dimentica l'islamofobia: i cristiani (e gli ebrei) sono le principali vittime dei crimini di odio religioso.
Qualsiasi mente razionale sa che i circoli politici e mediatici sono dominati dalla sinistra, anche dall'estrema sinistra, uno stato di cose che crea uno squilibrio nel discorso politico. Nel campo della religione, questo squilibrio è chiaramente visibile: giornali e reti di sinistra non si affrettano a difendere la fede cristiana.
Finanziare la rimozione del carbonio nell'anno fiscale 24
La ripartizione delle richieste di stanziamenti di Carbon180 in tutti i percorsi
Di Alyson Lee, consulente per gli affari governativi Il processo di stanziamento annuale del governo federale è fondamentale per i nostri sforzi per finanziare la rimozione dell'anidride carbonica (CDR). Ogni anno, Carbon180 invia richieste a vari uffici congressuali per aiutare a guidare dove fluiranno i dollari del prossimo anno.
Conversazioni pericolose
Se vogliamo continuare a prosperare su questo pianeta, dovremo avere conversazioni pericolose. Quelli che mettono in discussione ciò che abbiamo fatto, ciò che stiamo facendo e ciò che attualmente intendiamo continuare a fare (o stiamo pianificando di fare).
L'assassinio di Jordan Neely e il problema del razzismo "patriottico".
Gli Stati Uniti possono fare il passo essenziale per non equiparare il comportamento razzista all'essere un buon americano?
[Avviso di attivazione: questo saggio include schermate di persone che elogiano l'assassino di Jordan Neely.] I funzionari delle forze dell'ordine hanno finalmente - e forse con riluttanza - accusato Daniel Penny, l'uomo che ha soffocato Jordan Neely fino alla sua morte, per quell'omicidio.