La extracción de texto de documentos escaneados es una tarea común que se puede abordar eficientemente usando herramientas como pdf2image y doctr en Python. Aquí te presento una guía para instalar, configurar y utilizar estas herramientas desde la terminal de Anaconda Prompt.

Instalación y configuración de herramientas

Instalación de pdf2image

1. Instalación de pdf2image con pip. Asegúrate de tener el entorno adecuado activado y luego instala pdf2image ejecutando el comando:

pip install pdf2image

1. Instalación de Dependencias Externas
   • Poppler: pdf2image requiere Poppler para convertir archivos PDF a imágenes.
     • Descargar Poppler: Visita Poppler for Windows y descarga el paquete binario.
     • Añadir pdftoppm al PATH mediante:

set PATH=C:\ruta\a\poppler\bin;%PATH%

1. Verificar la Instalación. Verifica que puedes importar pdf2image:

python -c "from pdf2image import convert_from_path"

En este articulo abordamos algunos problemas comunes al ejecutar scripts de Python.

Instalación de doctr

1. Instalación de doctr. Instala doctr para la OCR utilizando:

pip install python-doctr

1. Verificación de doctr. Importa y verifica doctr con:

python -c "from doctr.io import DocumentFile"

Uso de pdf2image y doctr para OCR

Convertir PDFs a imágenes con pdf2image

1. Convertir un PDF a Imágenes. Usa pdf2image para convertir un archivo PDF en imágenes:

from pdf2image import convert_from_path 
images = convert_from_path('documento.pdf', dpi=300) 
for i, image in enumerate(images): image.save(f'image_page_{i}.png')

Extraer texto de imágenes con doctr

1. Cargar Imagen y Realizar OCR. Usa doctr para extraer texto de imágenes generadas:

from doctr.io import DocumentFilefrom doctr.models import ocr_predictor 
# Cargar documentodoc = DocumentFile.from_images(["image_page_0.png"]) 
# Inicializar modelo OCR 
model = ocr_predictor(pretrained=True)

# Realizar OCRresult = model(doc) 
# Imprimir el texto extraídofor page in result.pages: print(page.get_text())

pdf2image y doctr son herramientas interesante para la conversión y extracción de texto en documentos. A través de esta guía, has aprendido cómo instalarlas y utilizarlas eficientemente desde un entorno de Anaconda.