我是通过tesseract ocr从扫描的pdf中提取数据的,我能够提取数据,但准确性不高。在许多地方,它显示了错误的数据,因此我可以通过python以100%的精度获取数据。
首先,我将pdf转换为jpg格式,然后使用tesseract模块从图像中提取数据。
from PIL import Image
import pytesseract
text=(pytesseract.image_to_string(Image.open(r"C:\Users\sumesh\Desktop\ip\ip\pdf11.jpg")))
text=repr(text)
text=text.replace(r"\n","")
print(text)
我期望从pdf获得正确的数据,但是我得到不同的数据,例如z显示2,5是s,1是I,等等
希望下面的一些小改变对您有所帮助。
from PIL import Image
import pytesseract
text=str(pytesseract.image_to_string(Image.open(r"C:\Users\sumesh\Desktop\ip\ip\pdf11.jpg"),lang='eng'))
text=text.replace("\n","")
print(text)