为 python 目录中的每个 .pdf 文件创建一个新的 .txt 文件

Question

我的代码应该从一个目录中获取每个 pdf，对其进行 OCR，并且 return 每个 OCR 的 pdf 都有一个 .txt 文件。除了将 .pdf 更改为 .txt 之外，pdf 和 .txt 文件的名称应该相同。我被困在拆分输入 pdf 名称以生成具有 .txt 扩展名的相同名称的 OCR 文件的部分。目录中的示例文件如下所示：“000dbf9d-d53f-465f-a7ce-722722136fb7465.pdf”。我需要输出为“000dbf9d-d53f-465f-a7ce-722722136fb7465.txt”。此外，我的代码不会创建新的 .txt 文件，但每次迭代都会覆盖一个文件。我需要为每个经过 OCR 处理的 .pdf 文件创建一个新的 .txt 文件。到目前为止的代码：

import io
import glob
from PIL import Image
import pytesseract
from wand.image import Image as wi


files = glob.glob(r"D:\files\**")
for file in files:
    #print(file)
    pdf = wi(filename = file, resolution = 300)

    pdfImg = pdf.convert('jpeg')

    imgBlobs = []

    for img in pdfImg.sequence:
        page = wi(image = img)
        imgBlobs.append(page.make_blob('jpeg'))

    extracted_texts = []

    for imgBlob in imgBlobs:
            im = Image.open(io.BytesIO(imgBlob))
            text = pytesseract.image_to_string(im, lang = 'eng')
            extracted_texts.append(text)          
    with open("D:\extracted_text\"+ "\file1.txt", 'w') as f:
        f.write(str(extracted_texts))

Answer 1

您只需要跟踪您的文件名，re-use 它在最后两行中：

# ...
import os


files = glob.glob(r"D:\files\**")
for file in files:
    #print(file)

    # Get the name of the file less any suffixes
    name = os.path.basename(file).split('.')[0]

    # ...

    # Use `name` from above to name your text file         
    with open("D:\extracted_text\" + name + ".txt", 'w') as f:
        f.write(str(extracted_texts))

为 python 目录中的每个 .pdf 文件创建一个新的 .txt 文件

Create a new .txt file for each .pdf files in a directory in python

python

directory

file-io

loops

file-handling