Separador de PDF digital e não digital - Python
Há um problema com o método de extração de PDF. Quando usamos bibliotecas normais como PyPDF2, Pdfplumber, pdftotext, etc. para extrair texto de documentos PDF que contêm imagens digitalizadas , obtemos um erro.
Então a questão é como resolver esse erro?
Passo 1: Verifique se o documento PDF contém imagens. (PDF digital)
Passo 2: Se sim, escolha o método pytesseract para extrair texto de imagens digitalizadas.
Etapa 3: caso contrário, use bibliotecas normais de extração de PDF, como PyPDF2, pdftotext ou pdfplumber, etc.
Etapa 4: aproveite
Segregador de PDF digital e não digital em Python.
segregator.py
Em cada documento PDF, temos uma propriedade que é 'Resources' . Se esse recurso contém 'fonte' como recurso, então a página contém dados de texto, caso contrário é bastante óbvio que a página contém uma imagem digitalizada.
No código acima, estamos usando a biblioteca PyPDF2 para extrair os ‘Recursos’ de cada página e verificar se o recurso ‘Fonte’ está presente nela ou não. Com base neste resultado podemos chamar a função apropriada para extrair texto do PDF.
Também podemos encontrar documentos meteorológicos em PDF que contêm tipos mistos (imagem de uma página e texto de segunda página).
É isso.
Obrigado.
Suggested posts
Como executar plugins ChatGPT gratuitamente usando Langchain
Você deve ter ouvido falar sobre todos os novos plug-ins poderosos do ChatGPT, como navegador, intérprete de código, etc. Mas há um problema, o acesso aos plug-ins é limitado a uma lista de espera e, portanto, muitos não têm acesso a ela.
Meus recursos de codificação mais usados
Esta semana, recebi um e-mail de um membro da lista de e-mails diários. Eles queriam saber: quais recursos você visita diariamente, semanalmente e mensalmente? Ótima pergunta! Fico feliz em tentar compartilhar algumas ideias sobre meu fluxo de trabalho e os principais recursos que uso.
Related posts
O primeiro livro de uma criança sobre como ficar chapado
(Aviso - isso é sátira, com a intenção de ser alegremente subversivo - definitivamente não é para crianças) Você viu sua mãe e seu pai se esconderem na cozinha e fumarem aqueles cigarros fedorentos. Eles dizem a você.
A Mentira do Cowboy
Como as megacorporações venderam aos americanos uma mentira robusta
É uma manhã brilhantemente dourada nas colinas do oeste, enquanto os primeiros raios de sol iluminam a grama congelada nas planícies. Um rebanho de gado Angus plácido, preto e maciço, é recortado contra o nascer do sol enquanto segue por uma trilha batida até um local que todos conhecem bem; a barra de café da manhã.
3 maneiras comprovadas de melhorar sua habilidade de escrita
Os benefícios de escrever e estratégias para ajudá-lo a fazê-lo
Em 2022, com o lançamento do GPT-3, a habilidade de escrita parece se tornar menos importante. Com a IA, pessoas com redação ruim também podem gerar funcionários de qualidade.