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?
-
Не совсем так. Есть понятие PDF со слоем текста.– becouse28 фев 2020 в 10:03
-
То есть, парсить PDF сделанный из ворда и парсить PDF из сканированных листов разные вещи?– Argo728 фев 2020 в 11:07
-
Все зависит от того как ПДФ сохранен. Есть ли слои и пр. Можно и из Ворда сохранить как изображение.– becouse28 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 Titov28 фев 2020 в 15:10
1 ответ
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