Tengo el siguiente codigo que extrae o separa el pdf en imagenes, la idea es extraer una pagina en especifico y de esa imagen obtener el texto.
#extrae imagenes desde pdf
import sys
#definimos el pdf ->path
pdf = file(path, "rb").read()
startmark = "\xff\xd8"
startfix = 0
endmark = "\xff\xd9"
endfix = 2
i = 0
njpg = 0
while True:
istream = pdf.find("stream", i)
if istream < 0:
break
istart = pdf.find(startmark, istream, istream+20)
if istart < 0:
i = istream+20
continue
iend = pdf.find("endstream", istart)
if iend < 0:
raise Exception("no se encontro el fin de stream!")
iend = pdf.find(endmark, iend-20)
if iend < 0:
raise Exception("no se encontro el fin de JPG!")
istart += startfix
iend += endfix
jpg = pdf[istart:iend]
jpgfile = file("jpg%d.jpg" % njpg, "wb")
jpgfile.write(jpg)
jpgfile.close()
njpg += 1
i = iend
print ("finalizado")
las imagenes que obtengo mediante esa funcion son algo asi:
gracias cualquier sugerencia o comentario !!
pdftotext
a ver si sale algo