kennedy_files/max_extract.py

import os
from pdf2image import convert_from_path
import pytesseract

# Ordnerpfad, der die PDFs enthält
input_folder = '/home/dikuever/kennedy/kennedy_files'
output_folder = '/home/dikuever/kennedy/output'

# Überprüfen, ob der Ausgabepfad existiert, wenn nicht, erstellen
if not os.path.exists(output_folder):
    os.makedirs(output_folder)

# Funktion, die alle PDFs im angegebenen Ordner verarbeitet
def process_pdfs(input_folder, output_folder):
    # Durchläuft alle Dateien im Ordner
    for filename in os.listdir(input_folder):
        if filename.endswith('.pdf'):
            pdf_path = os.path.join(input_folder, filename)
            output_text_path = os.path.join(output_folder, f"{os.path.splitext(filename)[0]}.txt")
            
            print(f"Verarbeite: {pdf_path}")
            
            # Lade PDF und konvertiere es in Bilder
            pages = convert_from_path(pdf_path, 100)
            
            # OCR auf jedes Bild anwenden und den Text extrahieren
            text = ''
            for page in pages:
                text += pytesseract.image_to_string(page)
            
            # Speichere den extrahierten Text in einer .txt Datei
            with open(output_text_path, 'w', encoding='utf-8') as text_file:
                text_file.write(text)
            
            print(f"Text aus {filename} wurde in {output_text_path} gespeichert.")

# Rufe die Funktion auf, um die PDFs zu verarbeiten
process_pdfs(input_folder, output_folder)