将 PDF 页面合并为 1 个文件而不生成单页文件

Question

目标是拍摄一组 jpg/tif 图像并将它们转换为 1 个可文本搜索的 PDF。我正在使用 Python 的 PyPDF2 和 pytesseract 来完成这个；但是，如果不将每个页面保存为自己的 PDF，我无法找到组合这些页面的方法。原来这些集合中的一些可能是 1k-10k 页，所以不幸的是，单独保存每一页不再可行......这是我到目前为止所得到的：

# Convert each image to a searchable PDF
for fileset in filesets:
    merger = PdfFileMerger()
    page_path = fr".\output\pages"
    for file in fileset:
        # Load image, read with pytesseract
        path = os.path.join(download_location,file)
        img = cv2.imread(path,1)
        result = (pytesseract.image_to_pdf_or_hocr(img, lang="eng",config=tessdata_dir_config))
        # Save result as PDF
        f = open(os.path.join(path_out,getfilename.findall(file)[0])+".pdf","w+b")
        f.write(bytearray(result))
        f.close()

这对单个页面来说效果很好，从这里我可以合并每个页面并将它们保存为一个文档，例如：

# pdfs is a list of all the single page pdf's
for page in pdfs: 
    merger.append(page)

merger.write(fr".\output\{FILE}.pdf")
merger.close();
del merger
    
# Get rid of single page files
for page in pdfs: 
    os.remove(page)

这会根据需要生成可文本搜索的 PDF，但那些单独的页面文件会破坏我的记忆。我尝试将 result 对象附加到 merger，这会产生 AttributeError: 'bytearray' object has no attribute 'seek' 错误。我还尝试使用 PyPDF2.PdfFileReader() 将 result 对象读取为 PDF，并得到了类似的结果。有任何想法吗？我的直觉是有一个快速的解决方案需要某种类型的变量 type() 转换，但我很少使用 PDF。

Answer 1

您需要使用BytesIO:

for fileset in filesets:
    merger = PdfFileMerger()
    page_path = fr".\output\pages"
    for file in fileset:
        # Load image, read with pytesseract
        path = os.path.join(download_location,file)
        img = cv2.imread(path,1)
        result = pytesseract.image_to_pdf_or_hocr(img, lang="eng",config=tessdata_dir_config)
        merger.append(BytesIO(result))

merger.write(fr".\output\{FILE}.pdf")

将 PDF 页面合并为 1 个文件而不生成单页文件

Merge PDF pages to 1 file without generating single page files

python

pdf

merge

pypdf2