Python 實作 PD 文字辨識、擷取並寫入 CSV 檔案腳本分享

PHPz
發布: 2023-05-17 19:40:04
轉載
1914 人瀏覽過

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

 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

1. 前言

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。

2. 需求描述

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:

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

pdfexample

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

csvexample

3. 開始動手動腦

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。

3.1 安裝相關第三方套件

pip3 install pdf2image pytesseract
登入後複製

3.2 匯入需要用到的第三方庫

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
登入後複製

3.3 讀取pdf文件,並識別內容

# 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

  • pdf_path:pdf檔案的儲存路徑
  • image:代表PDF文件每頁的PIL影像清單
  • first_page :允許設定由pdftoppm處理的第一個頁面;
  •  last_page:允許設定最後一頁由pdftoppm處理
  •  fmt:允許指定輸出格式。目前支援的格式是jpg、png和ppm;
  • output_folder:圖片儲存路徑
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)
登入後複製

運行結果

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

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

image-20211215212147760

運行問題

   「    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

     infile:需要處理的檔案位址
  •  outfile:處理後產生的新檔案的位址             
  • 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()
    
    
    
    
    登入後複製
執行結果

#新的txt文件,新文件刪除了data.txt中的空白行,將原始文件中錯誤識別的內容替換成正確的。

writercsv(intxt,outcsv)

#將文字檔案以空格分列寫入csv表格

    intxt:文字檔案位址
  • outcsv:新產生的csv檔案
  • 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()
    
    
    
    登入後複製
    執行結果

    產生一個三列csv文件,第一列是英文名,第二列是中文名,第三列是所在國家

    Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

    image-20211215204846623

    Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

    image-20211215204941725

    總結

    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!

相關標籤:
來源:51cto.com
本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn
熱門教學
更多>
最新下載
更多>
網站特效
網站源碼
網站素材
前端模板