Учебник под микроскопом. Часть 1: из PDF в TXT

[onkruglikov]

Удивительно, у нас одинаковая фамилия и я тоже пишу на python. Кажется, что это судьба

[OlegZH]

Ужас. Срочно обязать всегда хранить текстовый слой. Всех. Поголовно.

[KonstantinTokar]

С формулами которые в pdf в виде картинок?

[OlegZH]

Формулы тоже должны иметь текстовый слой. Другое дело, что PDF нужен для печати. А не для хранения как такового. Сама по себе задача, вроде "оцифровки" PDF, выглядит вызывающей для мира информационных технологий.

[KonstantinTokar]

Ну вобще то pdf это portable, то есть он нужее для одинакового отображееия на разеых устпойствах, в частности на ппинтерах.в осеовном испооьзуется именно для хранения.

[nilske]

fitz это сильно устаревшее название библиотеки, но его всегда упорно советует ИИ, который видимо и является автором вашего кода. И эта библиотека имеет встроенную поддержку OCR, основанную на Tesseract.

[kruglikle]

Спасибо, fitz - это модуль pymupdf, оставшийся для совместимости. импортировать можно как его, так и pymupdf. Для ocr мы используем easy ocr

[DonAlPAtino]

А сравнение с Tesseract делали? Кто лучше с русским текстом работает?