Windows 10、Anacondaの仮想環境(Python3.6)にてJupterlabを起動し、PDFファイルに文字データを埋め込むためにTesseractをつかってOCRをしようと試みています。
(【Python】pdfファイルから文字起こしをしてテキストに変換する方法(tesseract-OCR、pyocr、pdf2image、poppler)を参考にしました)
以下のコードを試し、一つのpdfファイルをTesseractで処理可能なpngファイルにするところまではできたのですが、あるディレクトリにある複数のpngファイルをまとめて処理することができません。
出力されるpdfファイルは0byteとなってしまいます。
コマンドラインとして実行しているTesseract部分にforループで生成した変数名を組み込むことは可能でしょうか?
また、そもそもコマンドラインとして実行すべきではないでそうか?(初心者なものでいろいろ混乱しておりすみません)
狙いとしては!tessractの部分でpngファイルと同じ名前のpdfファイルを生成し、それらを1つのpdfファイルにまとめるという形にしたかったのですが、うまくいきませんでした。
from PIL import Image
import sys
import os
import pyocr
import pyocr.builders
import shutil
from pdf2image import convert_from_path
import re
from pathlib import Path
#pyocrで使われるファイルのパス
poppler_path = 'C:\\Users\\ilab2\\poppler-0.68.0\\bin'
#処理ファイルの入力
input_file = input('ファイルのパスを入力してください。')
names = []
os.environ["PATH"] += os.pathsep + poppler_path
pdf_path = Path(input_file)
pages = convert_from_path(input_file)
for page in pages:
pdf_path = Path(input_file)
file_name = pdf_path.stem + "_{:02d}".format(pages.index(page)) + ".png"
# pngで保存
page.save(str(file_name), "png")
names.append(str(file_name))
print(file_name)
!tesseract filename filename_{:02d}".format(pages.index(page)) -l eng pdf
出力は以下のようになりまして、pngファイルはうまく生成され、0byteのpdfファイルが生成されます。
ファイルのパスを入力してください。 test.pdf
test_00.png
Warning: Parameter not found: enable_new_segsearch
Tesseract Open Source OCR Engine v4.1.1 with Leptonica
Error, cannot read input file filename: No such file or directory
Error during processing.
test_01.png
Warning: Parameter not found: enable_new_segsearch
Tesseract Open Source OCR Engine v4.1.1 with Leptonica
Error, cannot read input file filename: No such file or directory
Error during processing.
test_02.png
Warning: Parameter not found: enable_new_segsearch
Tesseract Open Source OCR Engine v4.1.1 with Leptonica
Error, cannot read input file filename: No such file or directory
Error during processing.
test_03.png
Warning: Parameter not found: enable_new_segsearch
Tesseract Open Source OCR Engine v4.1.1 with Leptonica
Error, cannot read input file filename: No such file or directory
Error during processing.
test_04.png
Warning: Parameter not found: enable_new_segsearch
Tesseract Open Source OCR Engine v4.1.1 with Leptonica
Error, cannot read input file filename: No such file or directory
Error during processing.
test_05.png
Warning: Parameter not found: enable_new_segsearch
Tesseract Open Source OCR Engine v4.1.1 with Leptonica
Error, cannot read input file filename: No such file or directory
Error during processing.
filename
というファイルが無いということで、tesseract
コマンドへのパラメータ指定のやり方が間違っているのでは? 入力用.png のファイル名はfile_name
という変数に入っているのでしょうし、pythonの変数を!
コマンドに渡す時は{ }
で囲むのでは? Passing Values to and from the Shell それから出力ファイル名を作る?用の"
が1個しか無くて対になっていないのでは?