0

подскажите, есть ли разница между парсингом пдф конвертированного из ворда и парсингом пдф сделанного из сканнов страниц(даже хороших сканов). Я читал что разницы нет, так как все переводиться в рисунки, но я в этом не уверенн. И если есть разница, то можно ли получить внятный текст с помощью OpenCV(например) и ему подобных или вся надежда на ABBYY?

4
  • Не совсем так. Есть понятие PDF со слоем текста.
    – becouse
    28 фев 2020 в 10:03
  • То есть, парсить PDF сделанный из ворда и парсить PDF из сканированных листов разные вещи?
    – Argo7
    28 фев 2020 в 11:07
  • Все зависит от того как ПДФ сохранен. Есть ли слои и пр. Можно и из Ворда сохранить как изображение.
    – becouse
    28 фев 2020 в 11:19
  • Если в PDF есть текст, то работают достаточно простые (а, главное, быстрые) конвертеры. Поищите по словам pdf to text(pdf2text). На неизвестном PDF просто проверьте, можно ли скопировать текст в буфер. Если же там картинка - надо использовать бесплатный tesseract, или платный abbyy. Да, для извлечения текста есть и питоновский модуль, но есть и засада, мне попадались PDF, в которых тест был кривоватый, хотя визуально они смотрелись нормально.
    – Alex Titov
    28 фев 2020 в 15:10

1 ответ 1

1

Если в PDF есть текст, то работают достаточно простые (а, главное, быстрые) конвертеры. Поищите по словам pdf to text(pdf2text). На неизвестном PDF просто проверьте, можно ли скопировать текст в буфер. Если же там картинка - надо использовать бесплатный tesseract, или платный abbyy. Да, для извлечения текста есть и питоновский модуль, но есть и засада, мне попадались PDF, в которых тест был кривоватый, хотя визуально они смотрелись нормально

Комментарий Alex Titov

Ваш ответ

Нажимая на кнопку «Отправить ответ», вы соглашаетесь с нашими условиями использования и подтверждаете, что прочитали и поняли наши политику конфиденциальности и нормы поведения.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.