pyteseract_pdf_transform

Script para convertir el texto del pdf a json. Manteniendo el orden de las rondas y partidos

Herramientas

El script utiliza el modulo pytesseract que es un wrapper para el paquete binario tesseract. Tesseract es un motor de reconocimiento óptico de caracteres para varios sistemas operativos. Cabe destacar que antes de utilizar se debe tener instalado este paquete.

Instalación binario

sudo apt install tesseract-ocr

Ademas se deben descargar los training sets dependiendo del idioma, por ejemplo, si se desea el training set para el idioma ingles:

sudo apt install tesseract-ocr-eng

Se debe indicar el path de estos training sets mediante la variable de entorno TESSDATA_PREFIX, en mi caso, los datasets estan en /usr/share/tesseract-ocr/4.00/tessdata/

export TESSDATA_PREFIX=/usr/share/tesseract-ocr/4.00/tessdata/

Instalación modulo python

En mi caso, utilizando conda

conda install --name myenv -c conda-forge pytesseract

Uso pytesseract

import pytesseract
text_from_image = pytesseract.image_to_string(some_image)

Uso converter

converter.py [siglas_de_idioma] [verbose(1/0)] [pdf_path]

python converter.py eng 1 ./docs/mds.pdf