มีปัญหาหนึ่งประการเกี่ยวกับวิธีการแยกไฟล์ PDF เมื่อเราใช้ไลบรารีปกติเช่น PyPDF2, Pdfplumber, pdftotext ฯลฯ เพื่อแยกข้อความจากเอกสาร PDF ซึ่งมีรูปภาพสแกนอยู่ในนั้น เราได้รับข้อผิดพลาด

ดังนั้นคำถามคือจะแก้ไขข้อผิดพลาดนี้ได้อย่างไร?

ขั้นตอนที่ 1: ตรวจสอบว่าเอกสาร PDF มีรูปภาพอยู่หรือไม่ (ไฟล์ PDF ดิจิทัล)

ขั้นตอนที่ 2: หากใช่ ให้ลองใช้ วิธี pytesseractเพื่อแยกข้อความจากรูปภาพที่สแกน

ขั้นตอนที่ 3: อย่างอื่นไปกับไลบรารีการแยก PDF ปกติเช่น PyPDF2, pdftotext หรือ pdfplumber เป็นต้น

ขั้นตอนที่ 4: สนุก

ตัวแยก PDF แบบดิจิทัลและไม่ใช่ดิจิทัลใน Python

segregator.py

ในเอกสาร pdf ทุกฉบับ เรามีคุณสมบัติหนึ่งรายการนั่นคือ'ทรัพยากร ' หากทรัพยากรนั้นมี'แบบอักษร'เป็นทรัพยากรอยู่ในนั้น แสดงว่าหน้านั้นมีข้อมูลข้อความ มิฉะนั้นจะเห็นได้ชัดว่าหน้านั้นมีรูปภาพที่สแกน

ในโค้ดข้างต้น เราใช้ไลบรารี PyPDF2 เพื่อแยก 'ทรัพยากร' ของทุกหน้า และตรวจสอบว่ามีทรัพยากร 'แบบอักษร' อยู่ในนั้นหรือไม่ จากผลลัพธ์นี้ เราสามารถเรียกใช้ฟังก์ชันที่เหมาะสมเพื่อแยกข้อความจาก PDF ได้

นอกจากนี้เรายังสามารถค้นหาเอกสาร PDF สภาพอากาศที่มีประเภทผสม (รูปภาพหน้าเดียวและข้อความหน้าที่สอง)

แค่นั้นแหละ.

ขอบคุณ