Tento článek vysvětluje, jak převést naskenovaný PDF na Word pomocí Pythonu. Poskytne podrobnosti o nastavení IDE pro vývoj, seznam kroků a ukázkový kód k převodu naskenovaného PDF na dokument Word pomocí Pythonu. Vylepšení kódu bude také na konci článku diskutováno, aby bylo možné generovat vlastní výstup.
Kroky k převodu naskenovaného PDF do dokumentu Word pomocí Pythonu
- Nastavte prostředí tak, aby používalo Aspose.Total for Python via .NET pro produkty OCR a Words.
- Vytvořte a nakonfigurujte OCR engine pro čtení anglického textu z textové oblasti na stránce PDF
- Načtěte naskenovaný PDF soubor do OCR enginu
- Spusťte proces rozpoznávání textu, abyste extrahovali text z každé stránky.
- Vytvořte nový prázdný soubor Word pomocí třídy aspose.words.Document a propojte jej s builderem
- Procházejte extrahovaný text každé stránky z PDF
- Napište každý text do souboru Word
- Uložte soubor Word
Tyto kroky popisují, jak převést naskenovaný PDF do Wordu pomocí Pythonu. Importujte požadované moduly z knihovny Aspose, nastavte názvy vstupních/výstupních souborů, vytvořte OCR engine, nakonfigurujte jej tak, aby četl anglický text z automaticky detekovaných oblastí textu, a přidejte jeden nebo více PDF souborů k detekci. Spusťte proces rozpoznávání, abyste získali text z PDF, uložte výsledek do seznamu, vytvořte prázdný Word soubor pomocí builderu a přidejte detekovaný text ze seznamu do Word souboru.
Kód pro převod naskenovaného PDF souboru do Wordu pomocí Pythonu
Tento kód ukazuje, jak převést naskenovaný PDF do Wordu pomocí Pythonu. Můžete nastavit režim detekce podle skutečného formátu rozvržení, například tabulkově orientovaný, aby byla lepší detekce oblastí. Pro zlepšení přesnosti znaků zapněte zvětšování fontů, aby se detekovalo malé nebo husté tištěné texty.
Tento článek vysvětluje, jak použít OCR na PDF a uložit vzniklý text do souboru Word. Pro extrakci tabulky z PDF souboru a její uložení do souboru Excel se podívejte na článek Extrahovat tabulku z PDF do Excelu pomocí Pythonu.
