你好，
我並非Python程式設計高手，因此需要更有經驗的程式設計師的幫助和指導。最終成果或許能為市場帶來極大的便利，服務醫藥產業乃至其他產業的眾多客戶。
背景：
許多公司都有這樣的流程：操作員將手寫的數字和註釋添加到預先設定的結構化紙張上，然後掃描成PDF文件。附件是一個範例。我們需要提取並分析這些資訊。
問題在於，掃描的紙本檔案是PDF格式的影像，無法透過PDF匯入精靈匯入。此外，手寫程式碼可能難以正確識別。目前許多製藥公司的解決方案是讓員工手動輸入這些數據，有時需要花費2個小時，每週重複2-5次。如果能提供一種更自動化的方式來提取至少一部分信息，對他們來說將非常有價值。
我做了一些研究，發現可以用 Python 從 PDF 文件中提取圖像，然後再用一些軟體包從圖像中提取文字。以下是我找到的實作方法。
- 安裝 pytesseract（OCR 引擎）和 pdf2image（將 PDF 頁面轉換為映像）。
- 工作流程：
- 將PDF頁面轉換為圖片。
- 使用 pytesseract 對每張影像運行 OCR。
- 將提取的文字儲存到文件或進一步處理。
這裡我需要一些幫助/支持。我們的目標是利用附件中的文件作為概念驗證。如果可行，我們可能會建立一個插件並將其發佈到應用程式商店。
我敢肯定，這對許多公司來說都是一個巨大的安慰，也會讓他們更信賴 JMP。
有志工嗎？
@Paul_Nelson
PS：（來自副駕駛）
下面是一個完整的 Python 腳本，它使用pdf2image和pytesseract將掃描的 PDF 檔案轉換為文字：
Python
來自 pdf2image import convert_from_path
導入 pytesseract
# 掃描的PDF檔案路徑
pdf_path = 'scanned_document.pdf'
# 將 PDF 頁面轉換為圖片
pages = convert_from_path(pdf_path)
# 初始化一個變數來儲存提取的文本
擷取的文字 = ""
# 遍歷每一頁並套用OCR
for page_number, page in enumerate(pages, start=1):
text = pytesseract.image_to_string(page)
extracted_text += f"\n--- 第 {page_number} 頁 ---\n{text}\n"
# 將提取的文字儲存到文件
with open('extracted_text.txt', 'w', encoding='utf-8') as f:
f.write(extracted_text)
print("OCR提取完成。文字已儲存至extracted_text.txt")
我認為pytesseract只能處理PDF中打字的部分。手寫辨識需要其他工具。或許這個連結可以作為參考？
