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)