0

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: Modelo de imagen obtenida

gracias cualquier sugerencia o comentario !!

9
  • Es decir, lo que buscas es hacer OCR (optical character recognition) sobre una imagen? Sería bueno que compartieras alguna de estas imágenes. Commented el 4 jun. 2018 a las 18:07
  • buena sugerencia ya lo hago gracias !! Commented el 4 jun. 2018 a las 18:08
  • REvisa esto, te será de utilidad: aniversarioperu.utero.pe/2013/12/27/…
    – fredyfx
    Commented el 4 jun. 2018 a las 18:21
  • 1
    En ocasiones, según de qué fuente obtengas el PDF, además de la imagen escaneada el pdf contiene el "texto plano" resultado de un OCR. Puedes notarlo porque la búsqueda de texto dentro del PDF funciona, así como el seleccionar, copiar y pegar. Si ese fuera el caso, lo más sencillo sería extraer el texto en lugar de la imagen. Prueba con pdftotext a ver si sale algo
    – abulafia
    Commented el 4 jun. 2018 a las 18:56
  • 1
    Personalmente he usado hace poco pyocr + tesseract como motor para algo muy similar con muy buenos resultados, aunque en mi caso eran imágenes escaneadas con buena calidad y estandarizadas. He probado con tu imagen y el resultado es bastante bueno, no he comprobado palabra a palabra pero los únicos fallos que detecto son en la parte derecha de la cabecera, dónde viene la dirección y tal, zona con fuente pequeña y algo borrosa.
    – FJSevilla
    Commented el 4 jun. 2018 a las 19:24

1 respuesta 1

1

Agrego la respuesta si a alguien le sirviera: Como sabemos el PDF escaneado es una conjunto de imagenes, es decir para poder extrar el texto tendriamos que pasar a imagenes y estas a texto.

Pasando pdf a imagenes:

#convertir pdf a imagen
    from wand.image import Image
    #estableciendo resolucion a imagen
    with Image(filename=path_absoluta, resolution=400) as img:
        #estableciendo ancho y alto
        img.resize(1850,1850)
        img.save(filename="media/normas/temp.jpg")

Como se nota uso wand , donde path_absoluta vendria a ser la ruta del pdf deseado y el numero de pagina a convertir a imagen.

Extrayendo el texto de la imagen:

import pytesseract
    from PIL import ImageEnhance, ImageFilter
    from PIL import Image as Img
    im = Img.open("media/normas/temp.jpg")
    im = im.filter(ImageFilter.MedianFilter())

    enhancer = ImageEnhance.Contrast(im)
    #aplicando filtro para mejorar la convercion de imagen->txt
    im = enhancer.enhance(15)
    im = im.convert('1')
    im.save('sample.jpeg')

    text = pytesseract.image_to_string(Img.open('sample.jpeg'), lang='spa')

En este caso he usado la imagen anterior(temp.jpg), he usado Pillow y sus filtros para crear una nueva mejora a la imagen anterior y luego de esto extraer el texto de dicha imagen.. y listo tendriamos todo en text.

Links:

Wand

Pillow

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.