图片版PDF无法复制,转化成文字版的PDF后使用更方便.

我们需要用到python3.6,pypdf2,ghostscript,PythonMagick,百度文字识别服务和pdfkit.

安装

安装python3.6 略

安装ghostscript

安装wkhtmltopdf

pip安装PyPDF2,ghostscript,baidu-aip,pdfkit

pip install PyPDF2

pip install ghostscript

pip install baidu-aip

pip install pdfkit

pip安装PythonMagick

cd 下载目录

pip install PythonMagick‑0.9.13‑cp36‑cp36m‑win_amd64.whl

pypdf2用于拆分和合并PDF

示例代码如下:

#导入PdfFileReader和PdfFileWriter

from PyPDF2 import PdfFileReader, PdfFileWriter

#获取一个pdf对象

pdf_input = PdfFileReader(open(r'pdf路径', 'rb'))

#获取pdf页数

page_count = pdf_input.getNumPages()

#获取pdf第四页的内容

page = pdf_input.getPage(3)

page['/Contents']

#获取一个pdfWriter对象

pdf_output = PdfFileWriter()

# 将一个 PageObject 加入到 PdfFileWriter 中

pdf_output.addPage(page)

#把新pdf保存

pdf_output.write(open(r'新pdf路径','wb'))

PythonMagick用于将单页PDF转化为jpg

百度云-文字识别-python SDK

每天有500次免费的识别

示例代码如下:

#导入baidu-aip

from aip import AipOcr

#https://console.bce.baidu.com/#/index/overview

#产品服务->人工智能->文字识别->创建应用

#获取以下三个值

APP_ID = '??'

API_KEY = '??'

SECRET_KEY = '?? '

#新建一个AipOcr

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

#读取本地图片的函数

def get_file_content(filePath):

with open(filePath, 'rb') as fp:

return fp.read()

#读取本地图片

image = get_file_content('p1.jpg')

#可选参数

options = {}

options["language_type"] = "CHN_ENG"

options["detect_direction"] = "true"

options["detect_language"] = "true"

options["probability"] = "true"

#通用文字识别

client.basicGeneral(image, options)

#读取网络图片

url = "https://note.youdao.com/yws/public/resource/1577071c1ffa2b6bf4e238ef6dbcfbf5/xmlnote/E5A19BEDFEBA4879B217C5BBF53B0245/22138"

#可选参数

options = {}

options["language_type"] = "CHN_ENG"

options["detect_direction"] = "true"

options["detect_language"] = "true"

options["probability"] = "true"

#通用文字识别

client.basicGeneralUrl(url, options)

#读取本地表格图片的函数

def get_file_content(filePath):

with open(filePath, 'rb') as fp:

return fp.read()

#读取本地表格图片

image = get_file_content('p2.jpg')

#可选参数

options = {}

options["language_type"] = "CHN_ENG"

options["detect_direction"] = "true"

options["detect_language"] = "true"

options["probability"] = "true"

#通用文字识别

client.basicGeneral(image, options)

#读取表格分割效果较差!

pdfkit用于利用字符串生成pdf

示例代码如下:

#pdfkit安装位置设置

path_wk = r'pdfkit安装位置设置'

pdfkit_config = pdfkit.configuration(wkhtmltopdf = path_wk)

#pdfkit参数

pdfkit_options = {'encoding': 'UTF-8',}

#制作PDF

pdfkit.from_string(('string'),'D:\test.pdf',configuration=pdfkit_config,options=pdfkit_options)

完整代码如下

#导入所需包

#os,操作文件和路径

import os

#ghostscript,代码简化

import ghostscript

#pypdf2,拆分pdf

from PyPDF2 import PdfFileReader, PdfFileWriter

#PythonMagick,单页PDF转图片

from PythonMagick import Image

#baidu-aip,百度文字识别

from aip import AipOcr

#pdfkit,字符串制作PDF

import pdfkit

#参数

path='??'

pdfname='??'

DPI='85'

#https://console.bce.baidu.com/#/index/overview

#产品服务->人工智能->文字识别->创建应用

#获取以下三个值

APP_ID = '??'

API_KEY = '??'

SECRET_KEY = '?? '

#pdfkit安装位置设置

path_wk = r'pdfkit安装位置设置'

pdfkit_config = pdfkit.configuration(wkhtmltopdf = path_wk)

#pdfkit参数

pdfkit_options = {'encoding': 'UTF-8',}

#PDF转化为图片

os.chdir(path)

pdf_input = PdfFileReader(open(pdfname, 'rb'))

#自动获取PDF页数

page_count = pdf_input.getNumPages()

page_range=range(page_count)

#也可以手工指定PDF需要转换的页数

#page_range=range(0,100)

#使用PyPDF和ghostscript

#==超级好用,超级直观,超级短==

for page_num in page_range:

im = Image()

im.density(DPI)

im.read(pdfname + '[' + str(page_num) +']')

im.write(str(page_num)+ '.jpg')

#图片转化为字符串

#新建一个AipOcr

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

#读取本地图片的函数

def get_file_content(filePath):

with open(filePath, 'rb') as fp:

return fp.read()

#可选参数

options = {}

options["language_type"] = "CHN_ENG"

options["detect_direction"] = "false"

options["detect_language"] = "false"

options["probability"] = "false"

allteststr=[]

for page_num in page_range:

#读取本地图片

image = get_file_content(r'%s\%s.jpg' % (path,page_num))

#通用文字识别,得到的是一个dict

testjson=client.basicGeneral(image, options)

teststr=''

for x in testjson['words_result']:

teststr=teststr+x['words']+''

allteststr.append(teststr)

#字符串写入PDF

for page_num in page_range:

pdfkit.from_string((allteststr[page_num]),'%s.pdf' % (str(page_num)),configuration=pdfkit_config,options=pdfkit_options)

#合并单页PDF

pdf_output = PdfFileWriter()

for page_num in page_range:

os.chdir(path)

pdf_input = PdfFileReader(open('%s.pdf' % (str(page_num)), 'rb'))

page = pdf_input.getPage(0)

pdf_output.addPage(page)

pdf_output.write(open('newpdf.pdf','wb'))

以上就是为大家介绍的如何使用python3.6,pypdf2,ghostscript,PythonMagick,百度文字识别服务和pdfkit