将 png 文件转换为 txt 文件

Posted 2023-02-23

【中文标题】将 png 文件转换为 txt 文件

【英文标题】：Convert png files to txt files

【发布时间】：2019-08-29 08:40:06

【问题描述】：

我有 100 个扫描的 PDF 文件，我需要将它们转换为文本文件。

我首先将它们转换成 png 文件（见下面的脚本）， 现在我需要帮助将这 100 个 png 文件转换为 100 个文本文件。

library(pdftools)
library("tesseract")

#location
dest <- "P:\\TEST\\images to text"

#making loop for all files
myfiles <- list.files(path = dest, pattern = "pdf",  full.names = TRUE)

#Convert files to png
sapply(myfiles, function(x)
  pdf_convert(x, format = "png", pages = NULL, 
              filenames = NULL, dpi = 600, opw = "", upw = "", verbose = TRUE))

#read files
cat(text)

我希望每个 png 文件都有一个文本文件：

来自：file1.png、file2.png、file3.png...

收件人：file1.txt、file2.txt、file3.txt...

但实际结果是一个包含所有png文件文本的文本文件。

【问题讨论】：

您的代码有几个问题。您的 list.files 模式不会列出 PDF 文件，而是列出名称中包含字符串 'pdf' 的所有文件。那行代码上面的注释是完全错误的，它根本没有解释这行代码在做什么。您也没有向我们展示关键的一点——即，您实际上是如何尝试 OCR 文件的，以及失败的原因。相反，您显示的代码实际上与您的问题无关。

【参考方案1】：

我猜你用png -> text 位省略了这个位，但我假设你使用了library(tesseract)。

您可以在代码中执行以下操作：

library(tesseract)
eng <- tesseract("eng")
sapply(myfiles, function(x) 
  png_file <- gsub("\\.pdf", ".png", x)
  txt_file <- gsub("\\.pdf", ".txt", x)
  pdf_convert(x, format = "png", pages = 1, 
              filenames = png_file, dpi = 600, verbose = TRUE)

  text <- ocr(png_file, engine = eng)
  cat(text, file = txt_file)
  ## just return the text string for convenience
  ## we are anyways more interested in the side effects
  text
)