Python实现PDF扫描件生成DOCX或EXCEL功能
目录
1.问题描述2.实现流程3.功能代码3.1pdf转为图片3.2表格图片文字识别到excel4.案例说明1.问题描述
应项目需求需要获取PDF扫描文件的内容,但寻遍整个网络能达到这种功能的产品,都要会员充值。苦于囊中羞涩也只好编写功能代码来实现了。
如PDF中表格图片图-1效果生成图-2
图-1
图-2
2.实现流程
整个步骤为:读取PDF文件->生成图片->ORC获取图片内容->写入Excel
3.功能代码
3.1 pdf转为图片
import fitz # pdf转为图片 from aip import AipOcr # 图片文字识别 import time # 程序运行时间间隔以避免出错 import docx # 将识别结果保存为docx文件 from docx.oxml.ns import qn # 设置docx文件的字体 """ 你的 APPID AK SK """ APP_ID = "xxxxxx" API_KEY = "xxxxxxxx" SECRET_KEY = "xxxxxxxxxxxxxxxxxxxxxxx" client = AipOcr(APP_ID, API_KEY, SECRET_KEY) """ 将PDF转化为图片 pdfPath pdf文件的路径 imgPath 图像要保存的路径 zoom_x x方向的缩放系数 zoom_y y方向的缩放系数 rotation_angle 旋转角度 zoom_x和zoom_y一般取相同值,值越大,图像分辨率越高 返回目标pdf的名称和页数,便于下一步操作 """ def pdf_image(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0): # 获取pdf文件名称 name = pdfPath.split("\\")[-1].split(".pdf")[0] # 打开PDF文件 pdf = fitz.open(pdfPath) # 获取pdf页数 num = pdf.pageCount # 逐页读取PDF for pg in range(0, num): page = pdf[pg] # 设置缩放和旋转系数 trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle) pm = page.getPixmap(matrix=trans, alpha=False) # 开始写图像 pm.writePNG(imgPath + name + "_" + str(pg) + ".png") pdf.close() return name, num """ 将图片读取为docx文件 imgPath 图像所在路径 生成的docx也保存在图像所在路径中 name为pdf名称(不含后缀) num为pdf页数 name和num均可由上一个函数返回 """ def ReadDetail_docx(imgPath, name, num): # 建立一个空doc文档 doc = docx.Document() # 设置全局字体 doc.styles["Normal"].font.name=u"宋体" doc.styles["Normal"]._element.rPr.rFonts.set(qn("w:eastAsia"), u"宋体") # 读取图片 for n in range(0,num): i = open(imgPath+name+"_"+str(n)+".png","rb") time.sleep(0.1) img = i.read() message = client.basicAccurate(img) content = message.get("words_result") # 将内容写入doc文档 for i in range(len(content)): doc.add_paragraph(content[i].get("words")) # 保存doc文档 doc.save(imgPath + name + ".docx") def pdf_to_docx(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0): print("正在将pdf文件转换为图片...") # 调用函数一将pdf转换为图片,并获得文件名和页数 name_, num_ = pdf_image(pdfPath, imgPath, zoom_x, zoom_y, rotation_angle) print("转换成功!") #print("正在读取图片内容...") # 调用函数二逐页读取图片并逐行保存在docx文件中 # ReadDetail_docx(imgPath, name_, num_) #print("名为 {}.pdf 的pdf文件共有{}页,已成功转换为docx文件!".format(name_, num_)) # pdf储存路径 pdf_path = "JRT 0197-2020金融数据安全 数据安全分级指南.pdf" # 图片和生成的docx文件的储存路径 img_path = r"G:\imges\\" # 调用函数 pdf_to_docx(pdf_path, img_path)
3.2 表格图片文字识别到excel
import pandas as pd import numpy as np import re # 图片识别 from aip import AipOcr # 时间模块 import time # 网页获取 import requests # 操作系统接口模块 import os image_path = "" # 获取文件夹中所有图片 def get_image(): images = [] # 存储文件夹内所有文件的路径(包括子目录内的文件) for root, dirs, files in os.walk(image_path): path = [os.path.join(root, name) for name in files] images.extend(path) return images def Image_Excel(APP_ID, API_KEY, SECRET_KEY): # 调用百度AI接口 client = AipOcr(APP_ID, API_KEY, SECRET_KEY) # 循环遍历文件家中图片 images = get_image() for image in images: # 以二进制方式打开图片 img_open = open(image, "rb") # 读取图片 img_read = img_open.read() # 调用表格识别模块识别图片 table = client.tableRecognitionAsync(img_read) # 获取请求ID request_id = table["result"][0]["request_id"] # 获取表格处理结果 result = client.getTableRecognitionResult(request_id) # 处理状态是“已完成”,获取下载地址 while result["result"]["ret_msg"] != "已完成": time.sleep(2) # 暂停2秒再刷新 result = client.getTableRecognitionResult(request_id) download_url = result["result"]["result_data"] print(download_url) # 获取表格数据 excel_data = requests.get(download_url) # 根据图片名字命名表格名称 xlsx_name = image.split(".")[0] + ".xlsx" # 新建excel文件 xlsx = open(xlsx_name, "wb") # 将数据写入excel文件并保存 xlsx.write(excel_data.content) if __name__ == "__main__": image_path = r"G:\imgs\\" APP_ID = "xxxxxxxx" API_KEY = "xxxxxxx" SECRET_KEY = "xxxxxxxxxxxxxxxxxxxxxx" Image_Excel(APP_ID, API_KEY, SECRET_KEY)
4. 案例说明
我这里是获取JRT 0197-2020金融数据安全 数据安全分级指南.pdf扫描文件,将内部表格数据写入到excel文件。
以上就是Python实现PDF扫描件生成DOCX或EXCEL功能的详细内容,更多关于Python 扫描件转DOCX EXCEL的资料请关注脚本之家其它相关文章!
X 关闭
X 关闭
- 15G资费不大降!三大运营商谁提供的5G网速最快?中国信通院给出答案
- 2联想拯救者Y70发布最新预告:售价2970元起 迄今最便宜的骁龙8+旗舰
- 3亚马逊开始大规模推广掌纹支付技术 顾客可使用“挥手付”结账
- 4现代和起亚上半年出口20万辆新能源汽车同比增长30.6%
- 5如何让居民5分钟使用到各种设施?沙特“线性城市”来了
- 6AMD实现连续8个季度的增长 季度营收首次突破60亿美元利润更是翻倍
- 7转转集团发布2022年二季度手机行情报告:二手市场“飘香”
- 8充电宝100Wh等于多少毫安?铁路旅客禁止、限制携带和托运物品目录
- 9好消息!京东与腾讯续签三年战略合作协议 加强技术创新与供应链服务
- 10名创优品拟通过香港IPO全球发售4100万股 全球发售所得款项有什么用处?