Pythonでpdfを画像として認識しテキストを抽出を試してみる(pyocr) | DevelopersIO
pdfのデータからepubを作成することを調べていて、 前回、Pythonを使ってPDFファイルからテキストを抽出する方法を試しました。 PDFファイルによっては抽出できないものもありましたので、今回はPDFとしてではなく、画像として認識し文字を抽出できるかどうか試していきたいと思います。 環境はMacOSを使用します。 準備 PyOCRのインストール PyOCRは、Python用の光学式文字認識（OCR）ツールのラッパーです。 pip install pyocr Tesseractのインストール OCR engineであるTesseractをインストールします。 brew install tesseract pdf2imageのインストール PDFを画像ファイルに変換してくれるライブラリ pdf2imageをインストールします。 pip install pdf2image Macの場合、
pythonでPDFからテキストを抽出してみる(PyPDF2, pdfminer.six) | DevelopersIO
pdfのデータからepubを作成することを調べていて、pythonのライブラリで比較的簡単にpdfからテキストは抽出できる とアドバイスをもらったので実際にやってみようと思います。 PyPDF2 pdfminer.six この2つがメジャーなようです。 PyPDF2は日本語に対応しておらず、pdfminer.sixは日本語もOKなようですね。 PyPDF2 インストール pipを使ってインストールできます。 pip install PyPDF2 読み込んでみる 2019-11-Chaos_Engineering_Whitepaper のpdfを使用してみます。、 ローカルPCにダウンロードし、以下のコードを実行してみます。 from PyPDF2 import PdfFileReader with open("2019-11-Chaos_Engineering_Whitepaper.pdf
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
