質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
86.12%
PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

PyPDF2

PyPDF2は、PythonでPDF操作ができるモジュールの一つ。テキストや画像の抽出や、PDFの結合や分割処理などを簡単なコードで実現できます。ただし、日本語テキストを抽出することはできません。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

受付中

pythonでのpdfに対するocrについて

aba7651
aba7651

総合スコア0

PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

PyPDF2

PyPDF2は、PythonでPDF操作ができるモジュールの一つ。テキストや画像の抽出や、PDFの結合や分割処理などを簡単なコードで実現できます。ただし、日本語テキストを抽出することはできません。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0回答

0リアクション

0クリップ

180閲覧

投稿2022/09/26 08:32

前提

pythonでpdfを読み取り、OCRで最終的にはCSVで落としたいと思っております。
※経理の請求書自動照合。どうしてもPDFでしか入手出来ない為
対象画像がtextデータというよりかは
表になっているデータなので
pingに変換⇒画像を読み取り⇒データを抽出としようとしてます。

実現したいこと

pingに変換後、座標からデータをdic型で習得しようとしたのですが
エラーが発生しており、解決できない為アドバイスいただけると幸いです。

発生している問題・エラーメッセージ

AttributeError Traceback (most recent call last) File ~\anaconda3\lib\site-packages\PIL\ImageFile.py:495, in _save(im, fp, tile, bufsize) 494 try: --> 495 fh = fp.fileno() 496 fp.flush() AttributeError: '_idat' object has no attribute 'fileno' During handling of the above exception, another exception occurred: SystemError Traceback (most recent call last) File ~\anaconda3\lib\site-packages\PIL\Image.py:652, in Image._repr_png_(self) 651 try: --> 652 self.save(b, "PNG") 653 except Exception as e: File ~\anaconda3\lib\site-packages\PIL\Image.py:2212, in Image.save(self, fp, format, **params) 2211 try: -> 2212 save_handler(self, fp, filename) 2213 finally: 2214 # do what we can to clean up File ~\anaconda3\lib\site-packages\PIL\PngImagePlugin.py:1348, in _save(im, fp, filename, chunk, save_all) 1347 else: -> 1348 ImageFile._save(im, _idat(fp, chunk), [("zip", (0, 0) + im.size, 0, rawmode)]) 1350 if info: File ~\anaconda3\lib\site-packages\PIL\ImageFile.py:503, in _save(im, fp, tile, bufsize) 502 fp.seek(o) --> 503 e.setimage(im.im, b) 504 if e.pushes_fd: SystemError: tile cannot extend outside image The above exception was the direct cause of the following exception: ValueError Traceback (most recent call last) File ~\anaconda3\lib\site-packages\IPython\core\formatters.py:343, in BaseFormatter.__call__(self, obj) 341 method = get_real_method(obj, self.print_method) 342 if method is not None: --> 343 return method() 344 return None 345 else: File ~\anaconda3\lib\site-packages\PIL\Image.py:654, in Image._repr_png_(self) 652 self.save(b, "PNG") 653 except Exception as e: --> 654 raise ValueError("Could not save to PNG for display") from e 655 return b.getvalue() ValueError: Could not save to PNG for display <PIL.Image.Image image mode=RGB size=145x0 at 0x2B189342880>

該当のソースコード

Python(anaconda環境)

from PIL import Image from glob import glob import pyocr import os import pdf2image from PIL import Image import sys import pyocr.builders import pdfminer import fitz import glob from pathlib import Path from pdf2image import convert_from_path pyocr.tesseract.TESSERACT_CMD = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe' #OCRTEST下にあるpdfファイルを全て取得。一つめのファイルを対処する filepaths =[] wd = os.getcwd() data_dir = os.path.join(wd, "OCRTEST") filepaths = glob.glob("{}/**.pdf".format(data_dir), recursive=True) filepath = filepaths[0] # poppler/binを環境変数PATHに追加する poppler_dir = Path('__file__').parent.absolute() / "poppler/bin" os.environ["PATH"] += os.pathsep + str(poppler_dir) pdf_path = Path(filepath) pages = convert_from_path(str(pdf_path), 150) # 画像ファイルを1ページずつ保存 image_dir = Path("./image_file") for i, page in enumerate(pages): file_name = pdf_path.stem + "_{:02d}".format(i + 1) + ".ping" image_path = image_dir / file_name # pingで保存 page.save(str(image_path), "PNG") #出力したPNG画像を取得 filepaths_j =[] wd = os.getcwd() data_dir = os.path.join(wd, "image_file") filepaths_j = glob.glob("{}/**.ping".format(data_dir), recursive=True) filepath_j = filepaths_j[0] img = Image.open(filepath_j) #OCR準備 tools = pyocr.get_available_tools() tool = tools[0] tool.get_name() #座標を指定(ここは外部サイトを利用して座標を指定) img_ranges = { # 注番 'order_no': (53,843,198,18), # 数量 'quantity': (519,841,101,19), # 金額 'total_amount': (519,841,101,19), } crop_imgs = { 'order_no': img.crop(img_ranges['order_no']), 'quantity': img.crop(img_ranges['quantity']), 'total_amount': img.crop(img_ranges['total_amount']), } #確認した所エラーが出る crop_imgs['order_no'] 

試したこと

ある程度調べてはみたのですが
対処法がわからず、試すというほどのものがありません・・。

補足情報(FW/ツールのバージョンなど)

anacondaのjupyter Notebookを使用しております。

以下のような質問にはリアクションをつけましょう

  • 質問内容が明確
  • 自分も答えを知りたい
  • 質問者以外のユーザにも役立つ

リアクションが多い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

気になる質問をクリップする

クリップした質問は、後からいつでもマイページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

下記のような質問は推奨されていません。

  • 間違っている
  • 質問になっていない投稿
  • スパムや攻撃的な表現を用いた投稿

適切な質問に修正を依頼しましょう。

melian

2022/09/26 08:39

以下、数値演算になっています。os.path.join を使うとよいかと思います。 image_path = image_dir / file_name
can110

2022/09/26 09:19

各crop範囲は画像サイズに対して正しいでしょうか? 画像サイズはprint(img.size)で確認できます。
aba7651

2022/09/26 09:30

>>melianさん ご指摘有難うございます。修正しました。 エラーはそのままでした・・。 >>can110さん ご指摘有難うございます。 確認しましたところ x , y 共に crop範囲は画像内を取得しており、はみ出ているなどの現象は無さそうでした。
TakaiY

2022/09/26 09:32

> 以下、数値演算になっています ここは、 image_dir が pathlib.Path のインスタンスなので問題ありません。
aba7651

2022/09/27 04:46

>>TakaiYさん 有難うございます!間違っているかと思いましたが大丈夫なのですね。 初心者で・・・申し訳ございません。

まだ回答がついていません

会員登録して回答してみよう

アカウントをお持ちの方は

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
86.12%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問

同じタグがついた質問を見る

PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

PyPDF2

PyPDF2は、PythonでPDF操作ができるモジュールの一つ。テキストや画像の抽出や、PDFの結合や分割処理などを簡単なコードで実現できます。ただし、日本語テキストを抽出することはできません。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。