pdfスキャンデータから、画像変換後に文字データを抽出・出力したい。

Question

前提

手元にある、印刷後にスキャンされたpdfファイルがある。
このファイルから文字を認識させ、文字データとして出力させたい。

実現したいこと

画像変換後に、文字データを抽出する。
できれば、空欄部分に ","を入れてCSV出力したい。

発生している問題・エラーメッセージ

<module 'PIL.Image' from 'C:\\Users\\B09013\\Anaconda3\\lib\\site-packages\\PIL\\Image.py'>
---------------------------------------------------------------------------
UnidentifiedImageError                    Traceback (most recent call last)
Input In [22], in <cell line: 45>()
     41 tool = tools[0]
     43 print(Image)
---> 45 img_org = Image.open(buffer)
     46 builder = pyocr.builders.TextBuilder()
     47 result = tool.image_to_string(Image.open(buffer), lang="jpn", builder=builder)

File ~\Anaconda3\lib\site-packages\PIL\Image.py:3008, in open(fp, mode, formats)
   3006 for message in accept_warnings:
   3007     warnings.warn(message)
-> 3008 raise UnidentifiedImageError(
   3009     "cannot identify image file %r" % (filename if filename else fp)
   3010 )

UnidentifiedImageError: cannot identify image file <_io.BytesIO object at 0x000002316815B3B0>

該当のソースコード

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import LTPage, LAParams, LTTextBox, LTTextLine, LTImage,  LTFigure
from pdfminer.converter import PDFPageAggregator
import io
from PIL import Image
import pyocr

fp = open("C:\Analysis/test.pdf", "rb")

parser = PDFParser(fp)
document = PDFDocument(parser)
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)

for page in PDFPage.create_pages(document):
    interpreter.process_page(page)
    layout = device.get_result()

for obj in layout:
    if isinstance(obj, LTFigure):
        for obj in obj:
            if isinstance(obj, LTImage):
                images = obj

buffer = io.BytesIO()
buffer.write(images.stream.get_rawdata())
buffer.seek(0)

path_tesseract = "C:\Program Files\Tesseract-OCR"
if path_tesseract not in os.environ["PATH"].split(os.pathsep):
    os.environ["PATH"] += os.pathsep + path_tesseract
tools = pyocr.get_available_tools()
tool = tools[0]

print(Image)

img_org = Image.open(buffer)
builder = pyocr.builders.TextBuilder()
result = tool.image_to_string(Image.open(buffer), lang="jpn", builder=builder)
result

試したこと

Cドライブに管理者権限があるため、ファイルを一度デスクトップに移動させて稼働もさせた。
しかし、かわらなかったため、問題が異なると考えた。

補足情報（FW/ツールのバージョンなど）

pdfには数字が並んでいるだけです。
例: 20:18 2 13:03 1

Comments

[8524ba23]

bufferの画像データフォーマットが認識できないエラーなので、そのbufferをバイナリで保存、画像ビューワーなりで画像形式を確認してその結果を記載ください。