简说Python,号主老表,Python终身学习者,数据分析爱好者,从18年开始分享Python知识,原创文章227篇,写过Python、SQL、Excel入门文章,也写过Web开发、数据分析文章,老表还总结整理了一份2022Python学习资料和电子书资源,关注后私信回复:2022 即可领取。
一、前言
扫描件一直受大众青睐,任何纸质资料在扫描之后进行存档,想使用时手机就能打开,省心省力。但是扫描件的优点也恰恰造成了它的一个缺点,因为是通过电子设备扫描,所以出来的是图像,如果想要处理文件上的内容,直接操作是无法实现的。
那要是想要引用其中的内容怎么办呢?别担心,Python帮你解决问题。
二、需求描述
现有一份pdf扫描件,我们想把其中的文字提取出来并且分三列写入csv文档,内容及效果如下:
pdfexample
csvexample
三、开始动手动脑
pdf扫描件是文档扫描成电脑图片格式后转化成的,提取其中的文字就相当于识别图片内的文字。所以,我们的工作就是将pdf转成图片,再用ocr工具提取图片中的文字。
3.1 安装相关第三方包
pip3 install pdf2image pytesseract
3.2 导入需要用到的第三方库
import os #处理文件 from pdf2image import convert_from_path # pdf转图片 import pytesseract # 识别图片文字 import csv # 处理csv文件
3.3 读取pdf文件,并识别内容
tess_ocr(pdf_path, lang, first_page, last_page)
将pdf文件拆分成图片,并提取文字写入文本文件
- pdf_path:pdf文件的存储路径
- image:代表PDF文档每页的PIL图像列表
- first_page :允许设置由pdftoppm处理的第一个页面;
- last_page:允许设置最后一页由pdftoppm处理
- fmt:允许指定输出格式。目前支持的格式是jpg、png和ppm;
- output_folder:图片保存路径
def tess_ocr(pdf_path, lang,first_page,last_page): # 创建一个和pdf同名的文件夹 images = convert_from_path(pdf_path, fmt='png',first_page=first_page,last_page=last_page,output_folder=imagefolder,userpw='site') # 转成图片 text = '' for img in images: text += pytesseract.image_to_string(img, lang=lang) # 识别图片文字 with open(r'example\data.txt' 'a', encoding='utf-8') as f: #写入txt文件 f.write(text)
运行结果
生成一个同名的文件夹存放拆分的图片,接着提取图片文字写入data.txt
image-20211215201838225
image-20211215212147760
运行问题
“问题抛出1:pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH?
”
解决措施: 下载 poppler。
>1 方法一:设置环境变量 poppler/bin;
>2 方法二:参数指定绝对路径:images = convert_from_path(pdf_path=pdf_file_path, poppler_path=r'poppler中bin文件所在地址')
“问题抛出2:pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information.
”
解决措施: 额外下载安装tesseract-ocr并配置环境变量。
3.4 对识别的数据进行处理,写入csv文件
modification(infile, outfile)
清洗生成的文本文档
- infile:需要进行处理的文件地址
- outfile:处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。 #依次读取每行 for li in lines: if li.split(): #str.split(str="", num=string.count(str)),过滤文件中的空行 # 根据识别情况对数据进行清洗 li = li.replace('[', ' ').replace(']', '') outfp.writelines(li) infp.close() outfp.close()
运行结果
生成一个新的txt文件,新文件删除了data.txt中的空行,将原文件中错误识别的内容替换成正确的。
image-20211215203123576
image-20211215212227592
writercsv(intxt,outcsv)
将文本文件按空格分列写入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=''可保证存储的数据不空行。 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() #以空格为分隔符 if len(csvRow)>1 and len(csvRow)<=3: #约束条件,视情况而定 writer.writerow(csvRow) f.close() csvFile.close()
运行结果
生成一个三列csv文件,第一列是英文名,第二列是中文名,第三列是所在国家
image-20211215204846623
image-20211215204941725
总结
通过本次学习实现了从扫描件中提取文字、把内容按要求写进不同格式的文档的需求。