0

quiero convertir un PDF a JPG, para después extraer el texto, pero ya me atore en la conversión a jpg. alguna sugerencia que me puedan hacer?

import wand

**#convertir pdf a imagen**

from wand.image import Image



with Image(filename=path_absoluta, resolution=400) as img:

img.resize(1850,1850)

img.save(filename="prueba2.jpg")
1
  • Solo para estar seguro, ¿el PDF no contiene ya texto, verdad? Es decir, lo que quieres extraer no se puede leer como texto del PDF porque hace parte de una imagen. Esta respuesta ya explica cómo convertir de PDF a JPG. Commented el 14 ene. 2021 a las 2:45

1 respuesta 1

0

Puedes hacerlo de la siguiente manera

#! /usr/bin/python3
# _*_ coding: utf-8 _*_
    
# importar módulos
    
from PIL import Image
import pytesseract
import sys
from pdf2image import convert_from_path
import os
    
# Pasar .pdf a imagen .jpg y sacar texto a fichero .txt
    
PDF_file = 'probaext002.pdf'
    
pages = convert_from_path(PDF_file,500)
    
contador = 1
    
for page in pages:
    filename = 'page_'+str(contador)+".jpg"
    page.save(filename,'JPEG')
    contador = contador + 1
        
filelimit = contador - 1
outfile = 'otrotexto02.txt'
    
f = open(outfile,'a')
    
for i in range(1, filelimit+1):
    filename = 'page_'+str(i)+'.jpg'
    text = str(((pytesseract.image_to_string(Image.open(filename)))))
    text = text.replace('-\n','')
    f.write(text)
    f.close()
    
print(' trabajo hecho... fichero listo ')

Cargas el fichero pdf y con pdf2image lo conviertes a .jpg, a continuación con pytesseract extraes el texto a un fichero .txt (en mi caso necesitaba el texto también)

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.