Python入門トップページ

« 戻る 次へ »

目次

  1. データの準備
  2. macOS 編
    1. Tesseract による画像内文字認識
    2. PDF からの文字列抽出
    3. PDFの画像への変換
      poppler と pdf2image のインストール | Python で PDF から PNG に変換 |
  3. Windows 編
    1. Tesseract による画像内文字認識
    2. PDF からの文字列抽出
    3. PDFの画像への変換

画像内文字認識と PDF からの文字列抽出

PDFの画像への変換（macOS 編）

前のページでは PDF ファイルから pdftotext によって文字列を抽出しました．PDF ファイルに文字列の情報があればその方法で可能ですが，印刷物をスキャンして（OCR 処理をせずに）作成した PDF ファイルの場合は，このページの手順に従って PDF ファイルをページごとに PNG 形式などの画像に変換すればよいでしょう．このページの作業を行うことによって，以前のページで説明した tesseract によって文字認識ができるようになります．

目次に戻る

poppler と pdf2image のインストール

Python で PDF を画像に変換するためには macOS にあらかじめ poppler をインストールする必要があります．poppler のインストール方法は前のページを参照してください．

poppler のインストールができたら，pip を使って pdf2image をインストールします． 

(py39ocr) rinsaka@MacStudio2022 pyocr % pip install pdf2image ⏎
Collecting pdf2image
  Downloading pdf2image-1.16.0-py3-none-any.whl (10 kB)
Requirement already satisfied: pillow in /Users/rinsaka/miniforge3/envs/py39ocr/lib/python3.9/site-packages (from pdf2image) (9.2.0)
Installing collected packages: pdf2image
Successfully installed pdf2image-1.16.0
(py39ocr) rinsaka@MacStudio2022 pyocr %

目次に戻る

Python で PDF から PNG に変換

サンプルデータをあらかじめこのページを参考に準備してください．以降でもサンプルデータの PDF ファイルが tesseract_data フォルダに保存されている状況で作業を行います．さらに，PNG ファイルの書き出し用に output フォルダを作成しておきます．

英文が入力された 2 ページの PDF ファイルをページごとに PNG ファイルに変換します． 


import os
from pdf2image import convert_from_path

file_path = os.path.sep.join(['tesseract_data', 'en_2.pdf'])
pages = convert_from_path(file_path, 300) # 300dpi にする

for i, page in enumerate(pages):
  output_path = os.path.sep.join(['output', f'en-{i+1:03d}.png'])
  page.save(output_path, "PNG")
  print(output_path)
output/en-001.png
output/en-002.png

日本語の PDF ファイルであっても同様です． 


import os
from pdf2image import convert_from_path

file_path = os.path.sep.join(['tesseract_data', 'ja_1.pdf'])
pages = convert_from_path(file_path, 300) # 300dpi にする

for i, page in enumerate(pages):
  output_path = os.path.sep.join(['output', f'ja-{i+1:03d}.png'])
  page.save(output_path, "PNG")
  print(output_path)
output/ja-001.png

目次に戻る

« 戻る 次へ »