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

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

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