ocr pdf转word
OCR（Optical Character Recognition）是一种将图像中的文字转换为可编辑文本的技术。它通过识别图像中的字符并将其转换为计算机可读的文本格式，实现了将纸质文档或图像文件中的文字提取出来的功能。
OCR技术的分类主要有两种：基于规则的OCR和基于机器学习的OCR。基于规则的OCR使用预定义的规则和模板来识别字符，适用于结构化和规则化的文档。而基于机器学习的OCR则通过训练模型来自动学习和识别字符，适用于非结构化和复杂的文档。
OCR技术的优势在于提高了文档处理的效率和准确性。它可以将大量的纸质文档或扫描文件快速转换为可编辑的电子文本，节省了人工输入的时间和成本。此外，OCR还可以实现文档的全文搜索、自动化数据提取和文档分类等功能，提升了信息管理和检索的效率。
OCR技术在各个领域都有广泛的应用场景。例如，企业可以利用OCR技术将纸质合同、发票、报告等文档转换为可编辑的电子文本，方便存档和管理。教育机构可以利用OCR技术将教材、试卷等纸质文档转换为电子版，便于编辑和共享。医疗行业可以利用OCR技术将医疗记录、病历等纸质文档转换为电子格式，方便医生和研究人员进行分析和研究。
腾讯云提供了一系列与OCR相关的产品和服务，包括：
- 通用OCR（https://cloud.tencent.com/product/ocr）：提供通用的文字识别能力，支持身份证、银行卡、驾驶证、车牌号、营业执照等多种类型的识别。
- 文档识别（https://cloud.tencent.com/product/ocr/document-recognition）：专注于文档识别领域，支持将PDF、图片等文档转换为可编辑的文本，适用于合同、发票、报告等文档的处理。
- 印刷体识别（https://cloud.tencent.com/product/ocr/printed-text-recognition）：针对印刷体文字的识别，支持将印刷体文本转换为可编辑的文本，适用于书籍、杂志等印刷品的处理。
- 手写体识别（https://cloud.tencent.com/product/ocr/handwriting-recognition）：专注于手写体文字的识别，支持将手写体文本转换为可编辑的文本，适用于手写笔记、信件等手写材料的处理。
通过腾讯云的OCR产品和服务，用户可以快速实现OCR功能，提高文档处理的效率和准确性。
相关·内容
我正在做一些OCRing PDF的工作，我很好奇是否有一种方法可以检查一个PDF是否已经从Word (或Google Docs)导出。我可以检查PDF是否已经用Xpdf的pdffonts进行了OCR。我知道Word和Google Docs会自动OCR导出的PDF，所以如果我发现PDF没有OCR，我就知道它没有导出。但是，如果它已经光学字符识别，有没有办法检查的PDF是否从Word/Google Docs导出，而不是简单的OCRd与类似的程序？具体地说，我使用的是JavaScript，但任何信息都是有用的。
浏览 2提问于2013-06-14得票数 0
2回答
PDF和文本层
、、
根据这个站点的，当添加一个文本层时，PDF是可搜索的。
我正在寻找PDF的技术规范。我认为文本可以通过两种方式存储到PDF中: a)作为图像层之上的文本层(如上面的网页中所述) b)当您从Word文档(带有文本)创建PDF时，我不认为Word会将所有文本存储在文本层中。我想它会把它存储在图像层？对吗？
从PDF1.4开始，添加了XMP ()。但是什么是XMP呢？这就是我上面讨论的“文本层”吗？
如果扫描仪在图像上执行OCR，它是否将文本存储在“文本层”中？或者是"XMP“字段？这只能在PDF版本为1.4的情况下发生吗？
如何检测PDF是否已经有文本数据？例如: PDF A已使用OCR扫
浏览 2提问于2012-07-10得票数 15
回答已采纳
1回答
R中写入数据帧的错误
、、、、
我试图从我从pdf文件中提取的文本中搜索一个单词，这是OCR的格式。这个pdf文件有多个页面，所以对于每个页面，我都在搜索这个单词，如果找到了这个单词，然后编写文件名，或者不存在)，找到它的 page ，以及它找到的 word 。但是dataframe给出了所有文件的状态“礼物”，我只想这样
file_name Status Page words
test1.pdf "Present" test1_2,test1_4 gym,school
test2.pdf "Not Present
浏览 4提问于2017-09-25得票数 0
回答已采纳
2回答
我正在尝试在c#应用程序中使用tessnet2从图像中读取文本。这是我的代码：
string valoare="";
lblOCR.Text = "";
Bitmap image = new Bitmap(@"C:\Stamp\test.png");
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
ocr.Init(@"F:\Manipulare pdf\bin(1)\Release32\tessdata", "eng", false);
var rect
浏览 3提问于2013-04-05得票数 1
1回答
是否可以编辑在C#中不可填充的PDF格式
详情：
现有的PDF包含图像、数据和文本填充的表格。
已经尝试过itextsharp，但是无法识别任何AcroFields来操作数据。
当尝试使用Nitro PDF进行OCR时，got错误: OCR无法完成，因为此页面包含可编辑/可搜索的内容
..。这是来自ASPOSE文本替换的输出。试图用替换为 Word
所需经费：
必须编辑以编程方式填写的表格中的文本和数据，并保存它。
浏览 6提问于2012-06-28得票数 1
我对一些pdf文件有问题。我需要将它们转换为jpg图像，使它们可用于OCR，但当我转换其中的一些，魔杖转我的jpg在那里有一个黑色的背景文本。我看到这是一个关于空间颜色的常见问题。这似乎发生在word转换为pdf文件的文件中，其中空间颜色变成了CMYK。Tesseract OCR仅接受空间颜色RGB。我已经写了一个可以转换的python脚本，但我想解决这个问题。你能帮我一下吗？谢谢。 ? 原页pdf ? 已将pdf转换为jpg
浏览 51提问于2019-04-22得票数 1
回答已采纳
4回答
有没有人知道一个.Net组件，可以通过编程将PDF转换为Word或RTF？我不想使用OCR和Adobe相关解决方案。
浏览 1提问于2011-04-20得票数 7
2回答
我需要从pdf文件中获取数据及其标头，以便进一步与DB数据进行比较 我试着使用pdfbox，google vision ocr，itext，但是所有的库都没有结构和头文件。 示例: Date\nNumber\nStatus\n12\12\2020\n442334\delivered 我会尝试将pdf转换为excel/word并从中获取数据，但为了实现这一点，我需要读取pdf并将数据写入excel/word。 如何获取带headers的数据？
浏览 54提问于2020-04-17得票数 0
回答已采纳
我尝试运行以下代码来提取XML文件中的所有文本：
请注意"word_1_14“-- word.text被发现是非类型的，因此没有打印出来.我发现这是因为文本带有强标记，因此使其不可见。你知道如何找到带有强标签的单词并打印出来吗？
这一行有问题--似乎word _1_14的单词是非类型的，object...which使打印文本变得不可能。
In the Python code:
for word in ocr_word:
In the XML file:
<span class='ocrx_word' id='word_1_14' tit
浏览 1提问于2016-11-15得票数 1
我试图使用python自动化pdf- to -docx的过程。如果我用MS Word打开PDF文件，pdf Reflow将自动打开。因此，我将其用作OCR工具。我已经使用word_app.DisplayAlerts=0和try-except从Word中取消了消息框。但是，有时仍会弹出消息框"Microsoft PDF Reflow已停止工作“。
现在我应该手动关闭这些消息框，这对于自动化过程来说是不合理的。有什么方法可以抑制PDF回流中的错误吗？
下面是我使用的代码：
import pythoncom
import win32com
from win32com.client impor
浏览 6提问于2018-11-29得票数 0
将100k左右的word文档转为pdf，用时最短的库是什么？目前我用的是这个：
def convertDocxToPDF(infile,outfile):
wdFormatPDF = 17
word =
comtypes.client.CreateObject('Word.Application')
doc = word.Documents.Open(infile)
doc.SaveAs(outfile, FileFormat=wdFormatPDF)
doc.Close()
word.Quit()
大概要20s左右，有没有效率更高的方法？
浏览 948提问于2017-11-27
2回答
我想在保存OCR的同时将djvu转换成pdf。这个页面描述了如何做到这一点，但是我得到了一个空白的html文件。
在/home/steven/Documents/djvu2pdf/1/中，djvu2hocr -p 1 Intro.djvu给了我以下内容：
Converting 'Intro.djvu':
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "
浏览 0提问于2013-03-25得票数 1
1回答
为了私人使用，我正在寻找一个简单的文档管理系统(不是Web )。这些要求相对简单：
基于Web的
免费，更喜欢开源
能够存储电子文档(Word，PDF，.)及扫描纸张文件(PDF/jpeg/任何图像格式)
OCR支持
连同一些元数据:文档名称，项目/部门，作者，日期，地点，一些识别代码，简短的描述，.
使用不同的存储(NAS，Dropbox，WebDAV)
可选但很好
版本化
索引/搜索在word/pdf/text/.文档
我已经试过我的mac了，但它还没修好.
有什么建议吗？
浏览 4提问于2013-08-08得票数 5
1回答
我正在处理一个OCR格式的pdf文件，从中提取文本，并从中创建一个数据帧，我得到的是向量，但我无法将它们连接到一行，以便可以将其作为列添加到数据帧中。从这段代码中，我提取了我的数据帧的列
chk_words=c("Swimming pool","Gym","west","para")
tp_big=c("swimming pool in a farm","gym","west","north","south")
ps=c()
x=list()
for(
浏览 1提问于2017-09-26得票数 0
我已经获得了以下用于将pdf文件上传到google docs的实现(取自gdata API示例)：
def UploadResourceSample():
"""Upload a document, and convert to Google Docs."""
client = CreateClient()
doc = gdata.docs.data.Resource(type='document', title='My Sample Doc')
# This is a convenient MS
浏览 0提问于2011-12-31得票数 2
回答已采纳
在中，他们说你可以：
如何获得每个字符的坐标和可信度？
有两种选择。如果您不想进入编程，您可以使用Tesseract的hocr输出格式(详细信息请阅读Tesseract手册页面)。
但是，当我创建一个示例hOCR输出(它是一个.html文件)时，边界框和信任级别仅在word级别的上可用。
我是不是漏掉了什么？
我添加了示例输入/输出作为示例(输入的大小调整了)。
这是输入图像：
这是Tesseract的hOCR输出：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "
浏览 12提问于2013-04-05得票数 7
回答已采纳
1回答
我注意到，当我使用OCR将扫描的PDF文档转换为文本时，根据我提取数据的方式，我会得到非常不同的输出。
在上面的照片中-你可以看到一段PDF，它已经被OCR‘转换成相当高质量的文本。如果我在Adobe中选择它并将其复制到word或txt文档中，它会粘贴得非常好。
但是，如果我使用Adobe将其导出为富文本格式，使用Python的PDFminer，或者Python Apache Tika，那么我就会得到上面的照片，正如你所看到的，它完全弄乱了它。两种方法的提取结果非常一致-基本上3种方法都以完全相同的方式对其进行了混淆。
你们中有谁知道为什么OCR格式的PDF可以很好地复制到
浏览 12提问于2018-02-23得票数 1
回答已采纳
1回答
在r中的pdf上执行ocr时出错
、、、、
在r中的pdf上尝试OCR，这给了我错误。运行代码后，也会生成"i.txt“文件，但仍然会出现错误。
pdftoppm version 4.00
Copyright 1996-2017 Glyph & Cog, LLC
Usage: pdftoppm [options] <PDF-file> <PPM-root>
-f <int> : first page to print
-l <int> : last page to print
-r <number> :
浏览 3提问于2017-09-20得票数 0
2回答
如何用魔杖改变图片的对比度？
、、、、
下面的图片用在Tesseract OCR上：
我处理图片的代码是：
# HOCR
with image[450:6200, 840:3550] as cropped:
imgPage = wi(image = cropped)
imageBlob = imgPage.make_blob('png')
horas = gerarHocr(imageBlob)
def gerarHocr(imageBlob):
image = Image.open(io.BytesIO(imageBlob))
markup = pytessera
浏览 5提问于2020-01-07得票数 1
回答已采纳
我一直在尝试使用OCR (光学字符识别)来转换扫描的不可选PDF (JPEG)。
但是，我得到了一个附加的错误。
请对此进行研究，并建议我获得预期的结果。
# Import libraries
from PIL import Image
import pytesseract
import sys
from pdf2image import convert_from_path
import os
# Path of the pdf
PDF_file = "document.pdf"
'''
Part #1 : Convert
浏览 0提问于2020-05-27得票数 1
3回答
我正在尝试使用tesseract和pdftools包将一系列扫描的PDF转换成可搜索的PDF。我已经完成了两步。现在我需要写回一个可搜索的pdf。
读取扫描PDF
运行OCR
写回一个可搜索的PDF
eg <- download.file("https://www.fujitsu.com/global/Images/sv600_c_automatic.pdf", "example.pdf", mode = "wb")
results <- tesseract::ocr_data("example.pdf&
浏览 22提问于2021-09-01得票数 1
我想知道是否有人有任何软件建议，以大规模OCR大约1000个PDF文件。可以；转换为文本、word文档或使PDF可搜索。我只需要一种高效的方法来分析转换后的文件。
我试过Abby FineReader，它不一定能达到我想要的速度，所以我想知道是否有更快的方法。
谢谢!
编辑:我基本上是在寻找一种方法，将5000~扫描的PDF转换为可搜索的PDF，甚至是文本文件。
浏览 0提问于2019-05-06得票数 0
1回答
我有一个要更新的表。在我的表中，如果一列有重复项，则将其与其匹配项分组在一起。其中一份文件是原件。我需要更新我的表，以使组Id等于原始文档。因此，如果所有文档属于同一组，则它们必须具有相同的统一标题。例如，OCR0000000006和OCR0000000008都有统一的标题06000146.pdf。
下面是我的表格示例：
DOCID Duplicate_Group Duplicate_Principal Duplicate_Similarity Unified_Title
OCR0000000001 OCR0000000001 Yes
浏览 0提问于2014-03-22得票数 0
我目前正在分析一组PDF文件。我想知道有多少PDF文件属于这三个类别：
数字创建PDF:文本在那里(可复制)，并保证它是正确的，因为它是直接创建的，例如从Word创建的
只有图像的PDF:扫描文档
可搜索PDF:扫描文档，但使用OCR引擎。OCR引擎将文本放在图像“下面”，以便搜索/复制内容。由于OCR相当不错，这在大多数情况下是正确的。但这并不一定是正确的。
这是很容易识别图像仅PDF在我的领域，因为每个PDF包含文本。如果我不能提取任何文本，它只是图像。但我怎么知道它是“只是”可搜索的PDF，还是数字创建的PDF呢？
顺便说一句，它并不像我看到的扫描文档那样简单，生产者
浏览 11提问于2020-08-19得票数 11
回答已采纳
1回答
在PDF中用python执行OCR有可能吗？我正在尝试构建一个程序，从每一个PDF表格中提取一些信息，比如Autodesk BIM360所做的事情。
浏览 6提问于2022-05-26得票数 -2
目前，我有一个用于一个单词搜索的代码，我们可以搜索多个单词并在一个dataframe中写出这些匹配的单词吗？(要澄清，请参考这个)这是一个词工作的解决方案。以下是代码：
library(pdftools)
library(tesseract)
All_files <- Sys.glob("*.pdf")
v1 <- numeric(length(All_files))
word <- "school"
df <- data.frame()
Status <- "Present"
浏览 5提问于2017-09-26得票数 1
回答已采纳
2回答
我尝试为tessnet OCR库编写包装器。我收到一个错误，说“无法封送‘返回值’：泛型类型不能封送。”对于此代码节，
List<Word> k = OCRWrapper.DoOCR(new Bitmap(@"C:\Data\pdf2image\auto.png"), new Rectangle(0, 0, 55, 27));
我的包装器类是
class OCRWrapper
{
[DllImport("TrueMarble.dll")]
public static extern List<Word> DoOCR(Bitm
浏览 0提问于2011-02-08得票数 0
回答已采纳
2回答
大家好，我有一个关于C#的OCR Tesseract (tessnet2)的问题，它能找到caractère IVI而不是"M“，你能帮我吗？
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
ocr.SetVariable("tessedit_char_whitelist", "ABCDEFGHIJKLMNOPQRSTUVWXYZ"); // If digit only
ocr.Init(@"C:\tresnet", "fra", f
浏览 4提问于2013-02-21得票数 2
3回答
在上面的PDF文件中，我的代码必须从给定的PDF的所有页面中提取关键字和表名，比如Table 1、Table 2、标题和INTRODUCTION之类的Bold字母，CASE PRESENTATION。
编写了一个从PDF文件中提取文本的小程序
punctuations = ['(',')',';',':','[',']',',','^','=','-','!','.','{&#
浏览 5提问于2021-01-01得票数 0
1回答
我有一些文本，在一个pdf，已被OCR‘编辑。OCR将单词的边框返回给我。我能够绘制包围框(wordRect)上的pdf和一切似乎正确。
但是当我告诉我的字体大小是这些包围盒的高度时，一切都会出错。文本看起来比它应该的要小得多，并且与高度不匹配。
我错过了一些皈依。如何确保文本与边框一样高？
pdftron.PDF.Font font = pdftron.PDF.Font.Create(convertedPdf.GetSDFDoc(), pdftron.PDF.Font.StandardType1Font.e_helvetica);
for (int j = 0; j < ocrStre
浏览 5提问于2018-01-11得票数 1
回答已采纳
我正在玩一些OCR软件，特别是我花了一点时间在tesseract上。在Linux终端中，我把它放到可以加载图像并获得tesseract从图像中提取文本的位置。我现在正试图弄清楚如何从终端自动将被撕破的文本保存到pdf、odf、txt和word格式。
浏览 0提问于2021-03-08得票数 0
回答已采纳
1回答
在使用Jpedal解析PDF时，我遇到了一个问题。
在从Jpedal中读取wordlist时，我在wordslist中得到了混淆的字符。在使用OCR时，以及当我从PDF中复制文本并粘贴到Word或简单的文本编辑器时，也会发生这种情况。据我所知，这个PDF是由Quartz PDF上下文在MAC 10.6.4上生成的，它用于压缩文件大小，但在查看器上很容易查看。我搜索了任何支持解码这种PDF的Java，但都失败了。我正在寻找可以用来解码它的任何应用程序或Java；必须可以在Linux机器上使用。
浏览 4提问于2010-07-02得票数 2
1回答
我正在使用在我的项目：中引用的ocr
创建了一个新类：
private void test()
{
Bitmap image = new Bitmap(@"d:\timessquare.jpg");
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
ocr.SetVariable("tessedit_char_whitelist", "0123456789"); // If digit only
浏览 4提问于2013-09-05得票数 0
回答已采纳
private void Recognize()
{
Bitmap image = new Bitmap(@"C:\OCRTest\test.jpg");
pictureBox1.Image = image;
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
ocr.SetVariable("tessedit_char_whitelist", "0123456789");
ocr.Init(@"C:\Users\user1\source\repos
浏览 13提问于2019-07-08得票数 0
1回答
我正在尝试使用perl从扫描的PDF中获取文本，所以我在perl中使用了PDF::OCR2模块，但我无法安装此模块，安装Image::OCR::Tesseract模块失败，我使用的是CentOS7，这是我在安装过程中的错误。
one dependency not OK (Image::OCR::Tesseract); additionally test harness failed
/usr/bin/make test -- NOT OK
//hint// to see the cpan-testers results for installing this module, try:
浏览 17提问于2016-08-19得票数 0
1回答
我正在用C#和.NET开发一个小应用程序来自动化一个目前是手动完成的过程。该应用程序正在寻找PDF文档中的特定模式，并根据该模式将其上传到任何需要的位置。它与PDF没有任何问题，PDF是用数字方式编写的(Word、Nodepad等)。然后转换成PDF格式。
后来我发现，将来使用的文件将是90%的扫描文件。事实证明，这是一个比我预期的更大的问题。我找到了多个第三方库，它们可以处理这个任务-> iText7、LeadTools、ABBYY、WhatsMate PDF到text API、SautinSoft .NET Offce Edition。问题是，他们都有报酬，而我负担不起其中任何一项。
浏览 18提问于2021-01-05得票数 0
1回答
Tesseract图像到文本
、、、、
我使用以下代码：
Bitmap image = new Bitmap(Application.StartupPath + "\\" + "1111.jpg");
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
// ocr.SetVariable("tessedit_char_whitelist", "0123456789"); // If digit only
ocr.Init(null, "eng", false); // To use correct te
浏览 7提问于2013-12-09得票数 0
我试过使用Adobe Acrobat X Pro，但它的HTML导出功能仍然缺乏。一些明显加粗的文本不会被保留。但我确实通过一个类似OCR的工具运行了文档，它能够在导出的word文档中保留样式。然后，我将该word文档导出为HTML。
有什么最好的工具可以轻松地将PDF转换为HTML并保留与样式和布局一样多的内容？
我听说Poppler相当不错，但在我的mac上尝试编译它还没有成功。
浏览 4提问于2012-02-23得票数 0
我正在使用Microsoft Azure Computer Vision进行OCR PDF提取。当我尝试执行OCR时，它给出的错误为 Read PDF With OCR: Error performing OCR: MicrosoftAzureComputerVisionErrorRunEngine 在这件事上，有人能支持我吗？
浏览 31提问于2020-07-01得票数 0
我正在使用ocrmypdf库将扫描的pdf转换成可搜索的pdf，但我得到了这个错误。
这是我目前正在运行的代码
import ocrmypdf
ocrmypdf.ocr('/content/drive/MyDrive/Dataset 2020/OCR/1081975.pdf', 'output.pdf')
错误:-
AttributeError: module 'ocrmypdf' has no attribute 'ocr'
浏览 5提问于2020-11-24得票数 1
回答已采纳
嗨，我正在试着让Tessnet2正常工作。我的代码是
Bitmap image = new Bitmap(@"C:\Users\Eric\Desktop\Text Pictures\Oil0.bmp");
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
ocr.SetVariable("tessedit_char_whitelist", "0123456789");
ocr.Init(@"C:\tessdata", "eng", false);
Li
浏览 9提问于2014-01-12得票数 1
9回答
嗨，你们谁能给我一个简单的例子来测试Tesseract OCR，最好是在C#中。
我试过演示，找到了。我下载了英文数据集，并将其解压到C盘中。并将代码修改如下：
string path = @"C:\pic\mytext.jpg";
Bitmap image = new Bitmap(path);
Tesseract ocr = new Tesseract();
ocr.SetVariable("tessedit_char_whitelist", "0123456789"); // If digit only
ocr.Init(@"C:\
浏览 5提问于2013-05-17得票数 28
我在uipath是新的，我使用PDF活动来读取与Google的Pdf文本，因为我想得到包含图像的pdf文本。
首先，我只使用Pdf文本，它工作得很好。然后，我使用Pdf与OCR，然后它显示了这个错误。
但是当我运行它时，它给出了一个错误：-
"Google OCR : Error performing OCR: TessErrorLoadEngine"
Please help me to read the Pdf file.
浏览 9提问于2017-09-11得票数 0
1回答
我试图更好地理解PDF是如何存储文本的。一般来说，当从MS Word (在我的例子中是SQL Server Reporting Services)之类的应用程序创建PDF时，PDF如何存储文本？我希望在这种特定场景中，生成的文档不会像从图像创建原始PDF文档那样经过OCR处理。
为了获得更多的细节，我正在尝试了解PDF的文本提取器是如何工作的。我最初对PDF的理解是，它存储了(PostScript)关于如何将文档的“图像”绘制到页面或打印机上的指令，并且文档本身并没有包含实际的文本。随后，我在想，文本提取器可能会对这些指令进行反向工程，以生成PDF本来会生成的文本。不过，我对此没有信心。
浏览 2提问于2013-03-26得票数 9
回答已采纳
我在Word中使用VBA来打开一堆PDF文件(一个接一个)，并查找一些文本。我正在运行的一些文件实际上是图像，而不是OCR。我想跳过它们，但我不知道该做什么检查。在这些文件上，它仍然“找到”字符串，并进入我的代码中我不希望它处理的部分。
Dim pdfDoc As Word.Document
Dim ratingString As String
Set pdfDoc = Documents.Open(FileName:=FSOFile.Path, ConfirmConversions:=False, Format:=wdOpenFormatAuto)
Set ratingString = pd
浏览 2提问于2020-10-19得票数 0
回答已采纳
3回答
我试图使用Tesseract OCR在多个大pdf文件上执行OCR (~400-600页)。我不一定要从所有页面中提取文本，但我只想要几页(页码已知)。PDF文件似乎已经在上面执行了某种OCR，但这不是一个好工作。当我运行用木星编写的代码时：
import pdf2image
from PIL import Image
import pytesseract
import cv2
import numpy as np
pytesseract.pytesseract.tesseract_cmd = r"C:/Program Files/Tesseract-OCR/tesseract.ex
浏览 10提问于2021-06-06得票数 2
因此，我将一个简单的Python脚本组合到OCR，一个PDF：
from PIL import Image
from tika import parser
import argparse
import img2pdf
import ocrmypdf
def main():
parser = argparse.ArgumentParser(description="Get text from image.")
parser.add_argument("image_path", metavar="i", help="
浏览 3提问于2021-06-14得票数 1
回答已采纳
我从tesseract中提取了一个图像文档，它提取成功。但我无法理解所提取的文件的坐标。
问题描述：-
它显示坐标，但让我知道，这些坐标代表像素或其他东西。这些都是像title="bbox 10 13 43 46"，那么什么是10，13 43和46。他们代表的是什么立场
提取后的完整代码
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<he
浏览 5提问于2013-08-31得票数 7
我正在使用tessnet2从.tif图像中获取文本。例如，我想要从图像中获得小数'700‘，但我得到了这个：'Mupann’我在这里使用法语tessdata，我使用的代码是：
ocr.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz.,$-/#&=()\':?")
ocr.Init(Application.StartupPath & "\tes
浏览 4提问于2013-03-17得票数 1
我尝试使用这里的代码： https://www.geeksforgeeks.org/python-reading-contents-of-pdf-using-ocr-optical-character-recognition/ # Import libraries
from PIL import Image
import pytesseract
import sys
from pdf2image import convert_from_path
import os
# Path of the pdf
PDF_file = "/Users/user1/Desktop/pdf1.p
浏览 21提问于2020-03-19得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
