Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享 |
您所在的位置：网站首页 › python提取指定字符后的文字 › Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享 |
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、开始动手动脑 3.1 安装相关第三方包 3.2 导入需要用到的第三方库 3.3 读取pdf文件，并识别内容 3.4 对识别的数据进行处理，写入csv文件 总结 1. 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。 2. 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 3. 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 登录后复制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 登录后复制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'exampledata.txt' 'a', encoding='utf-8') as f: #写入txt文件 f.write(text) 登录后复制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-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() 登录后复制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。 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)登录后复制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。 最初以为提取pdf的库也适用于扫描件，尝试了Pdfplumber库和PyPDF2库。 实践发现Pdfplumber只能识别扫描件pdf中的水印，不适用于扫描件的pdf，而PyPDF2库运行报错：NotImplementedError: only algorithm code 1 and 2 are supported。 原因是这个被加密的pdf可能是从高版本的acrobot中来的，所以对应的加密算法代号为‘4’，然而，现有的pypdf2模块并只支持加密算法代号为‘1’或者‘2’的pdf加密文件。 以上就是Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享的详细内容，更多请关注php中文网其它相关文章！ |
【本文地址】