Python实现PDF扫描件生成DOCX或EXCEL功能
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
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excelimport 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。
切尔西代理主帅现在我感觉很好,我会尽全力展示自己直播吧4月4日讯切尔西代理主帅布鲁诺萨尔托上任后的首场比赛就是主场对阵利物浦的英超第8轮补赛,赛前,萨尔托谈到了自己目前的感受(被任命为代理主帅)这不是我的决定,而是俱乐部的,俱乐
清明节消防安全提示请注意查收梨花风起正清明,游子寻春半出城。临近清明,上坟祭祖郊游踏青的人逐渐增多,扫墓祭祖场所文物建筑和旅游风景区,焚香烧纸点蜡燃放鞭炮等活动频繁,再加上近期晴暖少雨,大风天气较多,稍有不慎
玉渊潭樱花进入观赏期!高峰时段将单向游览暂缓入园北京日报客户端记者代丽丽阳春三月花意浓,樱花盛放满枝繁。本周末公园早樱已是落樱缤纷,园内八重红彼岸白妙松前红绯衣等中花期品种已渐次绽放进入观赏期,公园将再迎赏樱客流高峰。为保障市民
中国恢复144小时外国人免签证过境政策谁可以申请?Chinahasresumedthe144hourvisafreetransitpolicy,whichallowspeoplefromcertaincountriestoenjo
李铁立功了!体坛反腐带走4大项3个一把手或前任,体育产业链颤抖北京时间4月4日,席卷中国体坛的反腐行动还在继续,就在今日,又有一个全中国体育界大协会的一把手被带走。此前中国足协的一把手陈戌源已经被正式带走,另外现任的中国田径协会主席于洪臣涉嫌
黄绍基周大福用黄金讲好中国故事作为黄金行业的头部品牌,周大福的店铺近年来越来越频繁地出现在各大时尚和高端的购物中心当中。黄金,已经从过去年长者才会关注的消费品向着越来越多年轻消费者倾斜。面对如此趋势,周大福珠宝
2023年第14周世界排名!女单前十国乒独占7席,张本智和反超马龙北京时间4月4日,国际乒联公布了2023年乒乓球运动员最新世界排名。在3月19日WTT新加坡大满贯赛结束后,近两周未举办大型赛事。只有上周举办了低级别的WTT支线赛安塔利亚站,以及
沧浪之水濯蔡足老蔡,全国人民都认得,曾是乒乓球世界冠军,上世纪九十年代国乒重振雄风的关键人物,现在跟我一样,准备在家带孙子。近日网上其传闻甚嚣尘上。我不会仰观天象,俯察地理,只是盯着他的名字反复
孙兴慜谈金玟哉你们知道我多喜欢他,他已承认错误并道歉韩国球星孙兴慜日前在采访中再次谈及金玟哉,回应了两人之间的相关问题。在友谊赛不敌乌拉圭后,金玟哉面对媒体说我现在精神层面很疲倦,我只想专注于俱乐部的比赛而不是国家队,我没有更多话可
为什么说张隆是渣男?张隆已经静悄悄的出国了,他没有跟李梦同行,很有可能为李梦的WNBA之行去打前站了。张隆的前妻赵蕾为儿女抚养费的问题也不闹腾了,应该是他支付了那五万的抚养费。尽管这事息事宁人了,但李
和国足同坐头等舱!博主吐槽国脚撩妹喝酒吃垃圾食品,脏话不断北京时间4月4日,一则视频在国内媒体球迷圈里传出来,是一个叫做非哥说财富的博主在6天前发布的一则吐槽国足的视频,视频内容相当劲爆引发热议,有支持该博主的,也有反对该博主的,我们一起