OCR в Python для извлечения текста из изображения в PDF-файле ⇐ Python

[Anonymous]

Может кто-нибудь объяснить мне, что не так с этим кодом?
Краткое описание кода: он применяет OCR для извлечения текста из изображения в PDF-файле.

Код: Выделить всё

import pytesseract
from pdf2image import convert_from_path
from PIL import Image
import fitz
import pymupdf
import pandas as pd
import os
import io
import re

# Path to the PDF file
folder = "C:\\Users\\Yasser\\Desktop\\Test2"
dir_list = os.listdir(folder)

extracted_text = []

for file_name in dir_list:
if file_name.endswith(".pdf"):
# Open the PDF file
pdf_document = fitz.open(os.path.join(folder, file_name))

page = pdf_document[0]
image_list = page.get_images(full=True)

for img_index, img in enumerate(image_list):
xref = img[0]
base_image = pdf_document.extract_image(xref)
image_bytes = base_image["image"]

image = Image.open(io.BytesIO(image_bytes))

text = pytesseract.image_to_string(image)
extracted_text.append(text)

# Print the extracted text
for page_num, text in enumerate(extracted_text, start=1):
print(f"Page {page_num}:\n{text}\n")

Не обращайте внимания на список импорта. Я тестировал множество способов, и если у вас есть какие-либо рекомендации по распознаванию текста, я внимательно слушаю

Подробнее здесь: https://stackoverflow.com/questions/787 ... e-on-a-pdf