建站
咨詢
售后
建站咨詢
新聞中心
一、前言
金秀網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)！從網(wǎng)頁設(shè)計、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、成都響應(yīng)式網(wǎng)站建設(shè)公司等網(wǎng)站項目制作，到程序開發(fā)，運營維護(hù)。創(chuàng)新互聯(lián)2013年至今到現(xiàn)在10年的時間，我們擁有了豐富的建站經(jīng)驗和運維經(jīng)驗，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)。
二、需求描述
三、開始動手動腦
3.1 安裝相關(guān)第三方包
3.2 導(dǎo)入需要用到的第三方庫
3.3 讀取pdf文件，并識別內(nèi)容
3.4 對識別的數(shù)據(jù)進(jìn)行處理，寫入csv文件
總結(jié)
1. 前言
掃描件一直受大眾青睞，任何紙質(zhì)資料在掃描之后進(jìn)行存檔，想使用時手機就能打開，省心省力。但是掃描件的優(yōu)點也恰恰造成了它的一個缺點，因為是通過電子設(shè)備掃描，所以出來的是圖像，如果想要處理文件上的內(nèi)容，直接操作是無法實現(xiàn)的。
那要是想要引用其中的內(nèi)容怎么辦呢？別擔(dān)心，Python幫你解決問題。
2. 需求描述
現(xiàn)有一份pdf掃描件，我們想把其中的文字提取出來并且分三列寫入csv文檔，內(nèi)容及效果如下：
pdfexample
csvexample
3. 開始動手動腦
pdf掃描件是文檔掃描成電腦圖片格式后轉(zhuǎn)化成的，提取其中的文字就相當(dāng)于識別圖片內(nèi)的文字。所以，我們的工作就是將pdf轉(zhuǎn)成圖片，再用ocr工具提取圖片中的文字。
3.1 安裝相關(guān)第三方包
pip3 install pdf2image pytesseract
3.2 導(dǎo)入需要用到的第三方庫
import os #處理文件
from pdf2image import convert_from_path # pdf轉(zhuǎn)圖片
import pytesseract # 識別圖片文字
import csv # 處理csv文件
3.3 讀取pdf文件，并識別內(nèi)容
tess_ocr(pdf_path, lang, first_page, last_page)
將pdf文件拆分成圖片，并提取文字寫入文本文件
- pdf_path：pdf文件的存儲路徑
- image：代表PDF文檔每頁的PIL圖像列表
- first_page ：允許設(shè)置由pdftoppm處理的第一個頁面；
- last_page：允許設(shè)置最后一頁由pdftoppm處理
- fmt：允許指定輸出格式。目前支持的格式是jpg、png和ppm；
- output_folder：圖片保存路徑
def tess_ocr(pdf_path, lang,first_page,last_page):
# 創(chuàng)建一個和pdf同名的文件夾
images = convert_from_path(pdf_path, fmt='png',first_page=first_page,last_page=last_page,output_folder=imagefolder,userpw='site') # 轉(zhuǎn)成圖片
text = ''
for img in images:
text += pytesseract.image_to_string(img, lang=lang) # 識別圖片文字
with open(r'example\data.txt' 'a', encoding='utf-8') as f: #寫入txt文件
f.write(text)
運行結(jié)果
生成一個同名的文件夾存放拆分的圖片，接著提取圖片文字寫入data.txt
image-20211215212147760
運行問題
“ 問題拋出1：
pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH? ”
解決措施：下載 poppler。
>1 方法一：設(shè)置環(huán)境變量 poppler/bin；
>2 方法二：
參數(shù)指定絕對路徑：
images = convert_from_path(pdf_path=pdf_file_path, poppler_path=r'poppler中bin文件所在地址')
“ 問題拋出2：
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information. ”
解決措施：額外下載安裝tesseract-ocr并配置環(huán)境變量。
3.4 對識別的數(shù)據(jù)進(jìn)行處理，寫入csv文件
modification(infile, outfile)
清洗生成的文本文檔
- infile:需要進(jìn)行處理的文件地址
- outfile:處理后生成的新文件的地址
def modification(infile, outfile):
infp = open(infile, "r",encoding='utf-8')
outfp = open(outfile, "w",encoding='utf-8')
lines = infp.readlines() #返回列表，包含所有的行。
#依次讀取每行
for li in lines:
if li.split(): #str.split(str="", num=string.count(str)),過濾文件中的空行
# 根據(jù)識別情況對數(shù)據(jù)進(jìn)行清洗
li = li.replace('[', ' ').replace(']', '')
outfp.writelines(li)
infp.close()
outfp.close()
運行結(jié)果
生成一個新的txt文件，新文件刪除了data.txt中的空行，將原文件中錯誤識別的內(nèi)容替換成正確的。
writercsv(intxt,outcsv)
將文本文件按空格分列寫入csv表格
- intxt：文本文件地址
- outcsv：新生成的csv文件
def writercsv(intxt,outcsv):
# 使用newlines=''可保證存儲的數(shù)據(jù)不空行。
csvFile = open(outcsv, 'a',newline='', encoding='utf-8')
writer = csv.writer(csvFile)
csvRow = []
f = open(intxt,'r',encoding='utf-8')
for line in f:
csvRow = line.split() #以空格為分隔符
if len(csvRow)>1 and len(csvRow)<=3: #約束條件，視情況而定
writer.writerow(csvRow)
f.close()
csvFile.close()
運行結(jié)果
生成一個三列csv文件，第一列是英文名，第二列是中文名，第三列是所在國家
image-20211215204846623
image-20211215204941725
總結(jié)
通過本次學(xué)習(xí)實現(xiàn)了從掃描件中提取文字、把內(nèi)容按要求寫進(jìn)不同格式的文檔的需求。
最初以為提取pdf的庫也適用于掃描件，嘗試了Pdfplumber庫和PyPDF2庫。
實踐發(fā)現(xiàn)Pdfplumber只能識別掃描件pdf中的水印，不適用于掃描件的pdf，而PyPDF2庫運行報錯：NotImplementedError: only algorithm code 1 and 2 are supported。
原因是這個被加密的pdf可能是從高版本的acrobot中來的，所以對應(yīng)的加密算法代號為‘4’，然而，現(xiàn)有的pypdf2模塊并只支持加密算法代號為‘1’或者‘2’的pdf加密文件。
網(wǎng)站欄目：Python 實現(xiàn) PD 文字識別、提取并寫入 CSV 文件腳本分享
新聞來源：http://www.5511xx.com/article/dhiccoj.html
