Как извлекать текст из PDF, включая изображения и текст ⇐ Python

[Anonymous]

Я собираюсь извлечь текст из нескольких файлов PDF. Файлы PDF включают текст и некоторые изображения, и даже некоторые страницы - сканируемые страницы (я предполагал, что отсканированные страницы похожи на изображения). Я следовал приведенным ниже командам, чтобы извлечь текст из файлов PDF.lst_all_text = []

for foldername,subfolders,files in os.walk(r"C:/MY PATH"):
for file in files:
# open the pdf file
object = PyPDF2.PdfFileReader(os.path.join(foldername,file))
# get number of pages
NumPages = object.getNumPages()
text = ""
# extract text and do the search
for i in range(0, NumPages):
PageObj = object.getPage(i)
text += PageObj.extractText()

lst_all_text.append(text)


Подробнее здесь: https://stackoverflow.com/questions/695 ... s-and-text