一、前言
二、需求描述
三、開始動手動腦
3.1 安裝相關第三方套件
3.2 導入需要用到的第三方函式庫
3.3 讀取pdf文件,並辨識內容
3.4 對辨識的資料進行處理,寫入csv檔
總結
掃描件一直受大眾青睞,任何紙質資料在掃描之後進行存檔,想使用時手機就能打開,省心省力。但是掃描件的優點也恰恰造成了它的一個缺點,因為是透過電子設備掃描,所以出來的是影像,如果想要處理文件上的內容,直接操作是無法實現的。
那要是想要引用其中的內容呢?別擔心,Python幫你解決問題。
現有一份pdf掃描件,我們想把其中的文字提取出來並且分三列寫入csv文檔,內容及效果如下:
pdfexample
csvexample
pdf掃描件是文件掃描成電腦圖片格式後轉換成的,擷取其中的文字就相當於辨識圖片內的文字。所以,我們的工作就是將pdf轉成圖片,再用ocr工具擷取圖片中的文字。
pip3 install pdf2image pytesseract
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
# tess_ocr(pdf_path, lang, first_page, last_page)
將pdf檔案分割成圖片,並擷取文字寫入文字檔案
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'exampledata.txt' 'a', encoding='utf-8') as f: #写入txt文件 f.write(text)
產生一個同名的資料夾存放分割的圖片,接著提取圖片文字寫入data.txt
image-20211215212147760
「 問題拋出1:
pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH? 」
解決方案:下載poppler。
>1 方法一:設定環境變數 poppler/bin;
>2 方法二:
參數指定絕對路徑:
##images = convert_from_path( pdf_path=pdf_file_path, poppler_path=r'poppler中bin檔案所在位址') 「 問題拋出2:# pytesseract.pytesseract.TesseractNotFoundError: notactour notseract.pytes act.TesseractNotFoundError: . See README file for more information. 」解決措施:額外下載安裝tesseract-ocr並設定環境變數。 3.4 將識別的資料進行處理,寫入csv檔案modification(infile, outfile)
清洗產生的文字文件
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()
writercsv(intxt,outcsv)
#將文字檔案以空格分列寫入csv表格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()
image-20211215204941725
透過本次學習實現了從掃描件中提取文字、把內容按要求寫入不同格式的文件的需求。
原本以為提取pdf的庫也適用於掃描件,嘗試了Pdfplumber庫和PyPDF2庫。
實作發現Pdfplumber只能辨識掃描件pdf中的水印,不適用於掃描件的pdf,而PyPDF2庫運行報錯:NotImplementedError: only algorithm code 1 and 2 are supported。
原因是這個被加密的pdf可能是從高版本的acrobot中來的,所以對應的加密演算法代號為'4',然而,現有的pypdf2模組並只支援加密演算法代號為' 1'或'2'的pdf加密檔案。
以上是Python 實作 PD 文字辨識、擷取並寫入 CSV 檔案腳本分享的詳細內容。更多資訊請關注PHP中文網其他相關文章!