OCR 오류 모음

PDF

두 종류 존재

• 이미지와 텍스트 둘 다 있음 
• 페이지 전체가 텍스트가 아닌 이미지로 들어있음

따라서 text 추출과 이미지 텍스트 추출 코드 두 가지를 사용했다. 

OCR은 테서랙트를 사용했음 

 

기본적으로 수행했던 코드

def process_pdf_folder(pdf_folder):
    pdf_data = {}
    for file_name in os.listdir(pdf_folder):
        if file_name.endswith(".pdf"):
            pdf_path = os.path.join(pdf_folder, file_name)
            text = extract_text_from_pdf(pdf_path)
            pdf_data[file_name] = text
    return pdf_data

def extract_text_from_pdf(pdf_path):
    text = ""
    images = []

    with fitz.open(pdf_path) as pdf:
        for page in pdf:
            # 글자 추출
            page_text = page.get_text()
            if page_text:
                # 글자 전처리
                page_text = re.sub(r'\s+', ' ', page_text)
                page_text = re.sub(r'[\x00-\x1F]+', '', page_text)
                page_text = re.sub(r'[^\w\s,.!?\-]', '', page_text)
                text += page_text + "\n"

            for img_index, img in enumerate(page.get_images(full=True)):
                xref = img[0]
                base_image = pdf.extract_image(xref)
                image_bytes = base_image["image"]
                images.append((img_index, image_bytes))

    # 이미지 추출
    if images:
        ocr_text = perform_ocr_on_images(images)
        text += ocr_text

    return text.strip()

# OCR
def perform_ocr_on_images(images):
    text = ""
    for _, image_bytes in images:
        try:
            image = Image.open(io.BytesIO(image_bytes))
            image = image.convert("L")
            ocr_result = pytesseract.image_to_string(image, lang="kor+eng")
            text += ocr_result + "\n"
        except Exception as e:
            print(f"Error processing image: {e}")
    return text.strip()

 

 

결과,

 

 

이미지가 아닌 텍스트는 잘 나오며 

 

OCR 수행된 이미지는 

 

이런 식으로 나옴

 

 

Completed: 아이 사랑 포털 육아 정보.pdf --- 초보아빠 육아가이드.pdf --- 아이를 키우면서 받는 스트레스의 절반은 일어나지 않은 미래를 불안해하는 데서 옵니다. 걱정에 에너지를 모두 써서 아이와의 소중한 현재를 즐기지 못합니다. 오지 않을 미래가 지금 나에게 이미 와 있는 현재를 잡아먹지요. 그러면 정말 그런 미래가 올지도 모를 일입니다. 육아에서 걱정만 줄여도 절반은 쉬워집니다. -서천석의 하루 10분 내 아이를 생각하다 중에서- 초보 아빠 님께 드림 아빠가 될 준비, 지금부터 시작해볼까요? 건강한 임신을 위한 첫걸음 산전산후우울증 이해하기 육아 갈등 현명하게 대처하기 들어가며 12 13 16 임신과 동시에 똑똑한 아빠 되기 01 임신 시기별 남편이 해야 할 일 태담 태교, 임신 중 아기와 친해지기 다둥이 임신도 궁금해요 아내의 진통 시작, 남편은 무엇을 해야 할까요? 우리 아이가 태어났어요 20 24 26 28 30 우리 아이 잘 크고 있나요? 성장과 발달 02 신체발육 및 성장발달 지표 소아 예방접종 영유아 건강검진 34 39 43 초보 아빠, --- 모유수유 100문 100답.pdf --- 상담사례로 상담사례로 알아보는 알아보는 모유수유 100 100문 100 100답 Contents Contents 1 2 모유수유의 시작 모유수유 방법 임신 중 유방변화 모유수유, 할 수 있을까요? hhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh 010 유방 마사지 둘째는 꼭 모유수유를 성공하고 싶어요.hhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh 011 제왕절개 제왕절개를 했는데 모유가 돌지 않는 느낌이에요.hhhhhhhhhhhhhhhhhhhh 012 신생아 수유 언제 수유를 해야 하는 걸까요?hhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh 013 모유를 먹다가 잠들어요.hhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh 014 먹는 양을 잘 모르겠어요.hhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh --- 영양만점 이유식 성공비결.pdf --- --- 임산부 산전 산후관리.pdf --- - 임산부 산전산후 건강관리 - Hello, Baby ! - 임산부 산전산후 건강관리 - - 임산부 산전산후 건강관리 - 2020년 12월 한국건강증진개발원 한국건강증진개발원 지역기획팀 한국건강증진개발원 통합건강팀 김숙배전북대학교 식품영양학과 교수 박남희인제대학교 간호학과 교수 양순옥한림대학교 간호학부 교수 이무식건양대학교 의과대학 교수 박희진차의과학대학교 산부인과 교수 서울시 중구 퇴계로 173 남산스퀘어빌딩 24층 02-3781-3500대표 www.khealth.or.kr 디자인아레스02-516-0865 발행일 발행처 집 필 개 정 감 수 주 소 전화번호 홈페이지 인쇄처 예방접종 02 03 05 07 임신 전 무엇을 준비할까? 임신 전 준비 Chapter 01 01 02 03 04 12 13 16 임신이네. 어떻게 해야 하지? Chapter 02 01 02 03 20 21 22 23 임신 중에는 어떻게 하나? Chapter 03 01 02 03 04 CONT --- 영양만점 단계별 이유식.pdf --- --- 실속 육아 용품 가이드북.pdf --- 실속육아 실천 가이드북 행복을 키우는 작은 육아 육아는 가치 있게, 아이는 행복하게 작은 결혼 문화의 확산, 자동차부터 패션 분야에 이르기까지 일 상 속에 파고든 공유경제가 육아 문화에도 변화를 가져오고 있 습니다. 소비주의적 육아 관행에서 벗어나 육아용품 등에서 건전하고 합 리적인 소비를 지향하는 육아문화, 작은 육아가 확산되고 있 습니다. 08 세계 속의 작은 육아 06 그림으로 보는 육아 비용 CONTENTS 육아 비용 대안이 필요해요 작은 육아를 위한 전 세계 부모들의 실천 적게 쓰고 크게 키우는 행복한 육아, 작은 육아가 좋은 세 가지 이유 14 작은 육아가 주는 행복 Prologue 적게 쓰고 크게 키우는 작은 육아는 자녀 양육 부담을 완화하 고, 자원을 공유하며 나눔을 실천함으로써 육아의 새로운 가치와 대안을 찾아 나가는 행복한 육아 문화입니다. 1 작은 육아 이야기 출산육아 용품의 모든 것 성장 단계별 작은 육아 실천 노하우 우리 아이 에게 알맞은 그림책 고르기 --- MSD 매뉴얼.pdf --- 급통증 작성자 Deborah M. Consolini, MD, Thomas Jefferson University Hospital 검토개정일 2022년 11월 3일 급통증은 건강한 영아에게서 뚜렷한 이유예를 들어, 배고픔, 질병 또는 부상없이 나타나는 특정 패턴의 과도하 고 극심한 울음 및 야단법석을 말합니다. 급통증은 일반적으로 생후 1개월 내에 나타나며, 영아가 생후 약 6주 일 때 가장 심하고, 흔히 생후 34개월 정도에 갑자기 종료됩니다. 일반적으로 의사는 극심하고 원인 불명의 울음 및 야단법석이 하루에 3시간 이상, 일주일에 3일 이상이 3주 이 상 지속되면 급통증으로 간주합니다. 그러나 많은 의사들은 갑작스럽고, 원인 불명의 심각한 울음이 하루 3시간 미만으로 거의 일주일 내내 지속되어도 급통증으로 간주합니다. 일반적으로 급통증과 관련한 울음 울음 소리가 크고, 날카로우며 지속적임 원인을 알 수 없음 낮이나 밤 동안 거의 같은 시각에 발생함 뚜렷한 이유 없이 몇 시간 동안 지 --- 아이 발달 가이드북.pdf --- --- 고용노동부 일생활균형 사업주 및 근로자 지원.pdf --- 출산육아기 고용안정 사업주 지원 대체인력 채용지원 서비스 직장어린이집 설치운영 지원 임신출산육아기 지원 임신출산육아기 지원 일과 삶의 균형으로 일도 생활도 즐겁게! 일과 삶의 균형으로 일도 생활도 즐겁게! 사업주 지원 육아휴직지원금, 육아기 근로시간 단축 지원금 육아휴직 또는 육아기 근로시간 단축이하 육아휴직등 이라 함을 30일출산전후 휴가의 기간과 중복되는 기간은 제외 이상 부여한 사업주 고용보험법 제23조, 동법시행령 제29조제1항제2호 육아휴직지원금, 육아기 근로시간 단축 지원금 대체인력 지원금 업무분담 지원금 육아휴직 또는 육아기 근로시간 단축을 허용하는 우선지원대상기업 사업주에게 장려금을 지원하는 제도입니다. 대상 이 누리집은 대한민국 공식 전자정부 누리집입니다. 임신출산육아기 지원 사업주 지원 25. 1. 14. 오전 951 고용노동부 일생활균형 httpswww.worklife.krwebsiteindexm4operator_support1.asp 13 다음에 해당하는 금액 --- 출산육아지원제도.pdf --- 더 든든해진 출산육아지원제도로 일하는 엄마, 아빠의 부담을 덜어드립니다 근로자 출산전후휴가급여 ----------------------------------------------- 15 근로자 유산사산휴가급여 ----------------------------------------------- 17 배우자 출산휴가급여 ------------------------------------------------------ 19 예술인특수형태근로종사자 출산전후급여 ------------------------- 21 고용보험 미적용자 출산급여 -------------------------------------------- 23 임신근로자 등을 위한 제도 --------------------------------------------- 25 육아기 근로시간 단축급여 ----------------------------------------------- 27 일하는 엄마, 아빠의 출산과 육아를 지 --- 아이 사랑 포털 육아 정보.pdf --- 아이사랑 헬프데스크 1566-3232단축번호 1번 임신 출산 육아 상담 1644-7373 어린이집유치원 통합검색 유치원 입학 바로가기 육아 아이의 미래 아이사랑이 함께 키워갑니다. 육아 월령별 성장 및 돌보기 이른둥이 이른둥이 이른둥이란? 이른둥이의 발달 분만 예정일은 일반적으로 임신주수로 40주가 되는 때를 말합니다. 분만 예정일보다 3주 이상 일찍 출생한 임신기간 37주 미만의 아기를 미숙아 또는 이른둥이라고 합니다. 특히 출생체중 1,500g 미만 아기를 극소저출생체중아, 1,000g 미만 아기를 초극소저출생체중아라고 부릅니다. 이른둥이는 태내에서 충분하게 성장과 발달이 이루어지기 전에 출생하여 생존을 위해 여러 방면의 도움을 필요로 합니다. 아기가 일찍 태어나거나 건강상의 문제가 있거나 출생이 어려웠던 경우 신생아 치료 전문가 팀으로부터 24시간 내내 집중적인 치료가 가능한 시설인 신생아 집중치료실NICU에 입원하여 치료받습니다. 이른둥이란? 신생아 집중치료실Neonata

 

두 번째

테서렉트가 아닌 easy ocr 을 사용해보자~

 

 

 

세번째 

easy ocr 도 별로.. 

새로 나온 pororo 를 사용해보자