Python编程:利用ImageMagick转换PDF为图片并识别提取图表

简介: Python编程:利用ImageMagick转换PDF为图片并识别提取图表

思路是这样的:


pdf -> image -> 识别其中的图表 -> 通过PIL截取图片

1

整个过程尝试了很多方式,最终效果不是很完美,还需要继续探索


包括以下开源库


Tabula

前端截图提取表格数据,效果还可以,使用简单

使用步骤:


下载 https://tabula.technology/

启动 Tabula

打开 http://localhost:8080

如果是安装python的第三方模块,使用命令:


pip install tabula-py

1

ImageMagick

可以进行图片格式转换,pdf转图片


1、安装ImageMagick

mac


brew install ImageMagick

1

Linux


yum install ImageMagick  # 安装


yum remove ImageMagick  # 卸载

1

2

3

或者:

官网下载对应平台的压缩包:https://www.imagemagick.org/script/download.php


2、安装ghostscript:

brew install ghostscript


配置ImageMagick环境变量vim ~/.bash_profile


export MAGICK_HOME=/Users/qmp/Applications/ImageMagick-7.0.8

export PATH="$MAGICK_HOME/bin:$PATH"

export DYLD_LIBRARY_PATH="$MAGICK_HOME/lib/"

1

2

3

source ~/.bash_profile


命令行测试


convert -version


convert a.jpg a.png


convert -limit thread 1 names.pdf -background white -alpha remove -colorspace RGB  -colorspace sRGB out.jpg

1

2

3

4

5

提高图片质量


$ convert -density 300 -quality 100 test.pdf 1.png

1

参数解析:


-density 300

图像每英寸面积内的像素点数,数值越高图片质量越高


-quality 100

这个为转换png时的压缩率,100表示不压缩


参数设置:

https://www.imagemagick.org/www/script/convert.php


python库wand

支持ImageMagick接口,只支持6版本,而ImageMagick最新为7版本,Mac上尝试安装不成功

http://docs.wand-py.org/


网络资源

pdf转图片:

http://app.xunjiepdf.com/pdf2jpg

http://pdftoword.55.la/pdf-to-jpg/


百度ai通用图像分析:

https://ai.baidu.com/tech/imagerecognition/general


完整过程

先使用ImageMagick将pdf文件转为png图片格式

import os
pdfname = "names.pdf"
os.makedirs("out", exist_ok=True)
cmd = (
    "source ~/.bash_profile; "
    "convert "
    "-limit thread 1 {} "
    "-background white "
    "-alpha remove "
    "-colorspace RGB  "
    "-colorspace sRGB "
    "out/out.jpg"
).format(pdfname)
result = os.popen(cmd)
print(result.read())


  1. 通过百度AI接口将图片中的主物体识别出来,获取坐标
from aip import AipImageClassify
""" 你的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'
filename = "name.png"
client = AipImageClassify(APP_ID, API_KEY, SECRET_KEY)
with open(filename, "rb") as f:
    image = f.read()
result = client.objectDetect(image)
print(result)
data = result.get("result")
  1. 通过百度识别出来的坐标,使用PIL将需要的图片截取出来
width = data.get("width")
height = data.get("height")
top = data.get("top")
left = data.get("left")
from PIL import Image
im = Image.open(filename)
box = (left, top, left + width, top + height)
region = im.crop(box)
region.save("cutting.jpg")

参考:

  1. Mac下使用Python进行pdf到image的转换
  2. Python 将pdf转成图片
  3. 利用ImageMagick把pdf批量转换为高质量图片
目录
打赏
0
0
0
0
58
分享
相关文章
【图片型PDF】批量识别扫描件PDF指定区域局部位置内容,将识别内容导出Excel表格或批量改名文件,基于阿里云OCR对图片型PDF识别改名案例实现
在医疗和政务等领域,图片型PDF文件(如病历、报告、公文扫描件)的处理需求广泛。通过OCR技术识别这些文件中的文字信息,提取关键内容并保存为表格,极大提高了信息管理和利用效率。本文介绍一款工具——咕嘎批量OCR系统,帮助用户快速处理图片型PDF文件,支持区域识别、内容提取、导出表格及批量改名等功能。下载工具后,按步骤选择处理模式、进行区域采样、批量处理文件,几分钟内即可高效完成数百个文件的处理。
55 8
Zerox:AI驱动的万能OCR工具,精准识别复杂布局并输出Markdown格式,支持PDF、DOCX、图片等多种文件格式
Zerox 是一款开源的本地化高精度OCR工具,基于GPT-4o-mini模型,支持PDF、DOCX、图片等多种格式文件,能够零样本识别复杂布局文档,输出Markdown格式结果。
123 4
Zerox:AI驱动的万能OCR工具,精准识别复杂布局并输出Markdown格式,支持PDF、DOCX、图片等多种文件格式
|
2月前
|
jquery图片和pdf文件预览插件
EZView.js是一款jquery图片和pdf文件预览插件。EZView.js可以为图片和pdf格式文件生成在线预览效果。支持的文件格式有pdf、jpg、 png、jpeg、gif。
78 16
用PDF转换图片的方式弥补通义千问在扫描版PDF支持方面的缺失
当前通义千问Web版和本地版qwen-VL在处理扫描版PDF时均无法直接识别,导致实际应用中处理大量扫描PDF的需求难以满足。为此,通过使用Python的pdf2image库,可将PDF文件转换为图片,再进行OCR处理,实现解决方案。文中提供了具体的代码示例,展示了如何将PDF文件的每一页转换成图片,并保存至指定文件夹,为后续的OCR处理做好准备。
|
4月前
|
Python实用记录(六):如何打开txt文档并删除指定绝对路径下图片
这篇文章介绍了如何使用Python打开txt文档,删除文档中指定路径的图片,并提供了一段示例代码来展示这一过程。
50 1
|
4月前
|
Python实用记录(四):os模块-去后缀或者改后缀/指定目录下图片或者子目录图片写入txt/csv
本文介绍了如何使用Python的os模块来操作文件,包括更改文件后缀、分割文件路径和后缀、将指定目录下的所有图片写入txt文档,以及将指定目录下所有子目录中的图片写入csv文档,并为每个子目录分配一个标签。
52 1
|
4月前
|
Socket学习笔记(二):python通过socket实现客户端到服务器端的图片传输
使用Python的socket库实现客户端到服务器端的图片传输,包括客户端和服务器端的代码实现,以及传输结果的展示。
221 3
Socket学习笔记(二):python通过socket实现客户端到服务器端的图片传输
Python实用记录(一):如何将不同类型视频按关键帧提取并保存图片,实现图片裁剪功能
这篇文章介绍了如何使用Python和OpenCV库从不同格式的视频文件中按关键帧提取图片,并展示了图片裁剪的方法。
132 0
|
4月前
|
Python实现图片的拼接
Python实现图片的拼接
34 0

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等