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。