Create test_PDFandJPG.py

2024-12-10 20:47:52 +01:00
parent 8ea5564b63
commit d40ea5e28e
1 changed files with 25 additions and 0 deletions
@@ -0,0 +1,25 @@
+import pymupdf
+import io
+from PIL import Image
+import pytesseract
+
+pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
+
+def extrahiere_text_und_bilder(pdf_datei):
+    doc = pymupdf.open(pdf_datei)
+    text = ""
+    for seite in doc:
+        text += seite.get_text()
+        for bild in seite.get_images(full=True):
+            xref = bild[0]
+            basis_bild = doc.extract_image(xref)
+            bild_daten = basis_bild["image"]
+            bild_objekt = Image.open(io.BytesIO(bild_daten))
+            bild_text = pytesseract.image_to_string(bild_objekt, lang="deu")
+            text += " " + bild_text
+    return text
+
+pdf_datei = 'any.pdf'
+text = extrahiere_text_und_bilder(pdf_datei)
+
+print(text)