Salut,
N'étant pas un programmeur Python chevronné, je sollicite l'aide et les conseils de programmeurs plus expérimentés. Le résultat pourrait constituer un atout majeur pour le marché, au service de nombreux clients du secteur pharmaceutique et potentiellement d'autres industries.
Arrière-plan:
De nombreuses entreprises utilisent des procédures où les opérateurs saisissent des chiffres et des commentaires manuscrits sur une feuille de papier prédéfinie et structurée, qui est ensuite numérisée au format PDF. Un exemple est joint. Ces données doivent être extraites et analysées.
Le problème est que le document scanné est une image PDF et ne peut donc pas être importé via l'assistant d'importation PDF. De plus, le code manuscrit est probablement difficile à identifier correctement. Actuellement, de nombreuses entreprises pharmaceutiques doivent saisir ces données manuellement, ce qui prend parfois deux heures, et ce deux à cinq fois par semaine. Pouvoir extraire automatiquement au moins une partie de ces informations leur serait très utile.
J'ai effectué quelques recherches ; il est possible d'utiliser Python pour extraire les images du PDF, puis d'en extraire le texte à l'aide de certains modules. Voici la méthode que j'ai trouvée.
- Installez pytesseract (moteur OCR) et pdf2image (pour convertir les pages PDF en images).
- Flux de travail :
- Convertir les pages PDF en images.
- Effectuez une reconnaissance optique de caractères (OCR) sur chaque image à l'aide de pytesseract.
- Enregistrez le texte extrait dans un fichier ou traitez-le ultérieurement.
C'est là que j'ai besoin d'aide. L'objectif serait d'utiliser le document joint comme preuve de concept. Si cela fonctionne, nous pourrions créer une extension et la publier sur la plateforme.
Je parie que cela soulagerait beaucoup d'entreprises et les rendrait encore plus fidèles à JMP.
Des volontaires ?
@Paul_Nelson
PS : (de Copilot)
Vous trouverez ci-dessous un script Python complet qui convertit un PDF numérisé en texte à l'aide de pdf2image et pytesseract :
Python
from pdf2image import convert_from_path
importer pytesseract
# Chemin d'accès à votre fichier PDF numérisé
chemin_pdf = 'document_scanné.pdf'
# Convertir les pages PDF en images
pages = convert_from_path(pdf_path)
# Initialiser une variable pour stocker le texte extrait
texte_extrait = ""
# Parcourir chaque page et appliquer la reconnaissance optique de caractères (OCR)
pour page_number, page dans enumerate(pages, start=1):
texte = pytesseract.image_to_string(page)
texte_extrait += f"\n--- Page {numéro_de_page} ---\n{texte}\n"
# Enregistrer le texte extrait dans un fichier
avec open('extracted_text.txt', 'w', encoding='utf-8') as f:
f.écrire(texte_extrait)
print("Extraction OCR terminée. Texte enregistré dans extracted_text.txt")
Je pense que pytesseract ne fonctionnerait qu'avec les parties dactylographiées du PDF. Il vous faudrait un outil supplémentaire pour la reconnaissance d'écriture manuscrite. Ce lien pourrait peut-être vous servir de point de départ ?
