从文件名中将单页.tif文件读取为multipage.tiff

Question

更新：我发现从OCRD文件创建pdf文件是不合理的

因此，最好保持原样，不进行转换。我仍然有一个问题，一些图像是连接的，而另一些是1页

data = []
listOfPages = glob.glob(r"C:/Users/name/test/*.tif")
for entry in listOfPages:
    text = pytesseract.image_to_string(
            Image.open(entry), lang="en"
        )
    data.append(text)
df0 = pd.DataFrame(data, columns =['raw_text'])

这将创建一个数组，其中每一行都是.tif文件的第一（单个）页的字符串。如何连接tif文件（参见原始问题）以获得完整的多页字符串

原始问题： 我想将my_folder中的单页.tif文件转换为pdf_folder中的多页.pdf文件。没有后续页面的TIFF也应转换为单页PDF。最终，我想要一个文本PDF，通过OCR和多个基于图像的TIFF文件创建

因此，我根据文件名模式推断出应该放在一起的.tiff文件组：

Drs_1_00109_1_ADS.tif
Drs_1_00099_1_ADS_000.tif
Drs_1_00099_1_ADS_001.tif
Drs_1_00099_1_ADS_002.tif
Drs_1_00186_1_ADS.tif
Drs_1_00192_1_ADS_000.tif
Drs_1_00192_1_ADS_001.tif

例如Drs_1_00192_1_ADS_000.tif和 Drs_1_00192_1_ADS_001.tif（这是两张[单页]图片）我想转换成两页Drs_1_00192_1_ADS.pdf包含这两张图片和文本数据。 该代码适用于单页pdf创建如何从文件名中为所述多页模式实现此功能？

谢谢

Answer 1

我可以通过全局搜索所有以000.tif结尾的文件来实现这一点，这些文件可能是多页文档的起点，然后添加因后缀递增而导致的文件，直到缺少一个文件为止

#!/usr/bin/env python3

import os
from PIL import Image
from glob import glob

# Iterate over all files ending in '000.tif' and find their friends (subsequent pages)
for filename in glob('*_000.tif'):
   # Work out stem of filename
   stem = filename.replace('_000.tif', '')
   print(f'DEBUG: stem={stem}')

   # Build list of images to be put in this PDF
   images = [Image.open(filename)]
   index = 1
   while True:
      this = f'{stem}_{index:03d}.tif'
      print(f'DEBUG: this={this}')
      if os.path.isfile(this):
         images.append(Image.open(this))
         index += 1
      else:
         break
   output = stem + '.pdf'
   print(f'DEBUG: Saving {len(images)} pages to {output}')
   images[0].save(output, save_all=True, append_images=images[1:])

样本输出

DEBUG: stem=Drs_1_00192_1_ADS
DEBUG: this=Drs_1_00192_1_ADS_001.tif
DEBUG: this=Drs_1_00192_1_ADS_002.tif
DEBUG: this=Drs_1_00192_1_ADS_003.tif
DEBUG: this=Drs_1_00192_1_ADS_004.tif
DEBUG: Saving 4 pages to Drs_1_00192_1_ADS.pdf
DEBUG: stem=Drs_1_00099_1_ADS
DEBUG: this=Drs_1_00099_1_ADS_001.tif
DEBUG: this=Drs_1_00099_1_ADS_002.tif
DEBUG: this=Drs_1_00099_1_ADS_003.tif
DEBUG: Saving 3 pages to Drs_1_00099_1_ADS.pdf

请注意，通过替换以下内容，您可以同样轻松地使用OpenCV来读取文件：

image = Image.open(filename)

与

image = cv2.imread(filename)

但是，你不能像使用PIL那样简单地使用OpenCV来编写PDF，所以我只能使用PIL。如果您记得PIL使用RGB排序而OpenCV使用BGR，则可以轻松地在PIL和OpenCV之间移动，因此您可以通过以下操作从PIL转到OpenCV：

OpenCVImage = np.array(PILImage)[...,::-1]

及

PILImage = Image.fromarray(OpenCVImage[...,::-1])