書籍の内容をデジタル化するべくスキャナーでスキャンしたのですが、まさかの文字化けでスキャンができなかったため、 OCR でテキストを抽出することになりました。
しかし、 PDF で保存していたためそのままでは読み込めず、一旦 PNG 画像に変換する必要がでてきました。

今回はその備忘録です。

環境

今回の環境は下記のとおりです。

開発端末

OS：Windows 11 Pro
CPU：Intel Core i7-9750H
メモリ：64GB
GPU：NVIDIA GeForce RTX 2070 Max-Q

Python 環境

Python：3.8.10
仮想環境：Poetry

Poetry について
Poetry の詳細は、下記の記事を参考にしてください。
https://qiita.com/IoriGunji/items/290db948c11fdc81046a

ライブラリ類のインストール

必要なライブラリ類をインストールしていきます。

pdf2image のインストール

pdf2image ライブラリをインストールします。

pip の場合

pip install pdf2image

Poetry の場合

poetry add pdf2image

Poppler のインストール

pdf2image は pdftoppm と pdftocairo をラップして PDF を PIL Image オブジェクトに変換しているため、別途 Poppler をインストールする必要があります。

下記から Release-xx.xx.x-x.zip の ZIP ファイルをダウンロードして解凍します。

補足
今回は Release-23.08.0-0.zip を利用しました。

解凍した poppler-xx.xx.x フォルダは poppler にリネームして、 Python コードを同じディレクトリに移動します。

Python コードの作成

PDF ファイルを PNG 画像に変換するために Python コードを作成します。

main.py

import os
import glob
from pathlib import Path
from pdf2image import convert_from_path

# 定数定義
POPPLER_DIR = "poppler/Library/bin"
PDF_DIR = "pdf"
IMAGES_DIR = "images"

# PDF を PNG 画像に変換
def main():
    pdfs_path = get_pdfs_path(PDF_DIR)
    for pdf_path in pdfs_path:
        print('変換中ファイル：' + os.path.basename(pdf_path))
        pdf_image = pdf_to_imageobject(pdf_path, POPPLER_DIR)
        output_dir = os.path.join(IMAGES_DIR, os.path.splitext(os.path.basename(pdf_path))[0])
        pillowimage_to_imagefile(pdf_image, output_dir)

# PDF ファイルのパスを一括取得
def get_pdfs_path(input_dir):
    pdf_path = os.path.join(Path(__file__).parent, input_dir)
    pdfs_path = glob.glob(os.path.join(pdf_path, '*.pdf'))
    return pdfs_path

# PDF を Pillow Image オブジェクトに変換
def pdf_to_imageobject(pdf_path, poppler_dir, dpi = 300):
    poppler_path = os.path.join(Path(__file__).parent, poppler_dir)
    images = convert_from_path(pdf_path=pdf_path, poppler_path=poppler_path, dpi=dpi)
    return images

# Pillow Image オブジェクトを画像ファイルに変換し保存
def pillowimage_to_imagefile(images, output_dir):
    image_dir = os.path.join(Path(__file__).parent, output_dir)
    os.makedirs(image_dir, exist_ok=True)
    for i, image in enumerate(images):
        image_name = str(i + 1) + ".png"
        image_path = os.path.join(image_dir, image_name)
        image.save(image_path, "PNG")

if __name__ == "__main__":
    main()

ディレクトリ構造の確認

ディレクトリ構造が下記の様になっているか確認してください。

root
├ images
├ pdf
│ ├ sample1.pdf
│ └ sample2.pdf
├ poppler
│ ├ Library
│ │ ├ bin
│ │ ├ include
│ │ ├ lib
│ │ └ share
│ └ share
└ main.py

PDF ファイルを PNG 画像に変換

pdf ディレクトリに変換したい PDF ファイルを保存し、 main.py を実行します。
変換された画像が images ディレクトリに保存されていれば完了です。

参考文献

下記のサイトを参考にさせて頂きました。