我正在通过tesseract ocr从扫描的pdf中提取数据，我能够提取数据，但准确性不高。在许多地方，它显示了错误的数据，因此我可以通过python以100％的精度获取数据。
首先我将pdf转换为jpg格式，然后使用tesseract模块从图像中提取数据。
from PIL import Image
import pytesseract
text=(pytesseract.image_to_string(Image.open(r"C:\Users\sumesh\Desktop\ip\ip\pdf11.jpg")))
text=repr(text)
text=text.replace(r"\n","")
print(text)
我希望从pdf中获得适当的数据，但是我得到了不同的数据，例如z显示2,5是s，1是I，等等。
答案 0 :(得分：0)
希望下面的一些小改动对您有所帮助。
from PIL import Image
import pytesseract
text=str(pytesseract.image_to_string(Image.open(r"C:\Users\sumesh\Desktop\ip\ip\pdf11.jpg"),lang='eng'))
text=text.replace("\n","")
print(text)
答案 1 :(得分：0)
请在文件路径后使用“ DPI = 500”，这可能会有所帮助。 有关更多信息，您可以按照我在这里How to convert .png images to searchable PDF/word using Python
发布的答案