在 python 中为目录中的每个.pdf文件创建一个新的.txt文件

Question

我的代码应该从一个目录中获取每个pdf，OCR它并为每个OCR的pdf返回一个.txt文件。pdf 和.txt文件的名称应相同，但.pdf更改为 .txt。我被困在拆分输入 pdf 名称以生成具有 OCR 文件的.txt扩展名的相同名称的部分。目录中的示例文件如下所示："000dbf9d-d53f-465f-a7ce-722722136fb7465.pdf"。我需要输出为"000dbf9d-d53f-465f-a7ce-722722136fb7465.txt"。此外，我的代码不会创建新的.txt文件，而是每次迭代覆盖一个文件。我需要为每个 OCR .pdf文件创建一个新的.txt文件。代码到现在：

import io
import glob
from PIL import Image
import pytesseract
from wand.image import Image as wi

files = glob.glob(r"D:files**")
for file in files:
    #print(file)
    pdf = wi(filename = file, resolution = 300)
    pdfImg = pdf.convert('jpeg')
    imgBlobs = []
    for img in pdfImg.sequence:
        page = wi(image = img)
        imgBlobs.append(page.make_blob('jpeg'))
    extracted_texts = []
    for imgBlob in imgBlobs:
            im = Image.open(io.BytesIO(imgBlob))
            text = pytesseract.image_to_string(im, lang = 'eng')
            extracted_texts.append(text)          
    with open("D:\extracted_text\"+ "\file1.txt", 'w') as f:
        f.write(str(extracted_texts))

Answer 1

您只需要跟踪文件名并在最后两行中重复使用它：

# ...
import os

files = glob.glob(r"D:files**")
for file in files:
    #print(file)
    # Get the name of the file less any suffixes
    name = os.path.basename(file).split('.')[0]
    # ...
    # Use `name` from above to name your text file         
    with open("D:\extracted_text\" + name + ".txt", 'w') as f:
        f.write(str(extracted_texts))