文章目录
通过统计词频来快速预览PDF报告。本文提供了文字PDF和图片PDF提取文字的两类方式。
对于是文字类的PDF可以快速的提取其中文字,但是有许多PDF是图片格式,并不能直接提取文字。本文采取PDF转图片,并通过OCR识别文字生成文本,进而统计文本的词频的方式进行快速预览。
一、PDF转图片
1、PDF转图片
本文使用PyMuPDF模块进行转化。
1、 PyMuPD网上有许多资料,但是多数比较老,这个模块的API已有变动,本文做了更新。本模块安装需要pip install PyMuPDF,但是导入是fitz。该库不支持python3.10以上版本。
2、本文加了文件路径处理的功能find_pdf_files(directory)
函数和以下部分。
filename = os.path.basename(pdf)
file_name, file_extension = os.path.splitext(filename)
image_path = f"{imagePath}\{file_name}{pg}.jpg"
代码
import datetime
import os
import fitz
#输出以.pdf结尾的文件的完整文件路径
def find_pdf_files(directory):
pdf_files = []
for root, dirs, files in os.walk(directory):
for file in files:
if file.endswith('.pdf'):
pdf_file_path = os.path.join(root, file)
pdf_files.append(pdf_file_path)
return pdf_files
def pyMuPDF_fitz(pdf, imagePath):
startTime_pdf2img = datetime.datetime.now() # 开始时间
print("imagePath=" + imagePath)
pdfDoc = fitz.open(pdf)
for pg in range(pdfDoc.page_count):
page = pdfDoc[pg]
rotate = int(0)
# 每个尺寸的缩放系数为1.3,这将为我们生成分辨率提高2.6的图像。
# 此处若是不做设置,默认图片大小为:792X612, dpi=96
zoom_x = 1.33333333 # (1.33333333-->1056x816) (2-->1584x1224)
zoom_y = 1.33333333
mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
pix = page.get_pixmap(matrix=mat, alpha=False)
if not os.path.exists(imagePath): # 判断存放图片的文件夹是否存在
os.makedirs(imagePath) # 若图片文件夹不存在就创建
# 提取不带扩展名的文件名
filename = os.path.basename(pdf)
file_name, file_extension = os.path.splitext(filename)
image_path = f"{imagePath}\{file_name}{pg}.jpg"
pix.save(image_path) # 将图片写入指定的文件夹内
endTime_pdf2img = datetime.datetime.now() # 结束时间
print('pdf2img时间=', (endTime_pdf2img - startTime_pdf2img).seconds)
if __name__ == "__main__":
path=r"xx"
flist=find_pdf_files(path)
# 1、PDF地址
imagePath = r"xx"
for pdf in flist:
# 2、需要储存图片 的目录
pyMuPDF_fitz(pdf, imagePath)
2、OCR图片转文字
本文使用的是百度开源的paddleocr库
先pip3.10 install paddlepaddle
再pip install paddleocr
,注意这两个库暂时不支持python3.10以上的版本,主要是paddleocr依赖的PyMuPDF不支持python3.10以上版本。
2.1、将图片上指定区域转换为文字
from paddleocr import PaddleOCR
import os
import re
#输出结果转字符串
def text_noposition(data, left, right, bottom, top):
text_res = ""
# data[0]包含位置和文本信息
for i in data[0]:
# i[0][0][0]是横向,i[0][0][1]是位置的纵向
x, y = i[0][0][0], i[0][0][1]
if left < x < right and bottom < y < top:
# i[1][0]是文字
text_res = text_res + i[1][0]
return text_res
def convert_png_to_txt(dir_path,output_path):
# 初始化PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
output_text = ""
# 遍历指定目录下的所有.png文件
for filename in os.listdir(dir_path):
if filename.endswith('.jpg'):
file_path = os.path.join(dir_path, filename)
# 使用PaddleOCR提取图片中的文本
result = ocr.ocr(file_path, cls=True)
print(result)
# 使用text_noposition函数处理提取的文本
processed_text = text_noposition(result, left=0, right=10000, bottom=500, top=2000)
# 将处理后的文本追加到输出文本中
output_text += processed_text + "\n"
# 将输出文本写入.txt文件并关闭该文件
with open(output_path, "a") as file: # 可以根据需要更改文件名和路径
file.write(output_text)
# 指定要处理的图片的目录
dir_path = r'D:\data\2024\PDF\xx'
# 文件输出路径
output_path = r'D:\data\2024\PDF\xx'
convert_png_to_txt(dir_path,output_path)
2.2、将全部图片转换为文字
去掉了区域选择参数,也可以采样将选择区域函数中,区域设置为极端值,例如(0,10000,0,10000)
def text_noposition(data):
text_res = ""
# data[0]包含位置和文本信息
for i in data[0]:
# i[1][0]是文字
text_res = text_res + i[1][0]
return text_res
def convert_png_to_txt(dir_path,output_path):
# 初始化PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
output_text = ""
# 遍历指定目录下的所有.png文件
for filename in os.listdir(dir_path):
if filename.endswith('.jpg'):
file_path = os.path.join(dir_path, filename)
# 使用PaddleOCR提取图片中的文本
result = ocr.ocr(file_path, cls=True)
print(result)
# 使用text_noposition函数处理提取的文本
processed_text = text_noposition(result, left=0, right=10000, bottom=500, top=2000)
# 将处理后的文本追加到输出文本中
output_text += processed_text + "\n"
# 将输出文本写入.txt文件并关闭该文件
with open(output_path, "a") as file: # 可以根据需要更改文件名和路径
file.write(output_text)
3、读取高频词
读取结果、使用结巴分词,并统计词频。
视文件编码不同,如果报错gbk编码问题,打开文件部分需要改为:
f = open(file_path, encoding=‘utf-8’)
from collections import Counter
import jieba
import pandas as pd
def cut_with_filter(sentence, stopwords):
# 使用结巴分词的精确模式进行分词
seg_list = jieba.cut(sentence, cut_all=False)
# 去除停用词
filtered_seg_list = [word for word in seg_list if word not in stopwords]
return filtered_seg_list
if __name__ == '__main__':
file_path = r"D:\data\2023\pdf\pdf\结果.txt"
# 要分词的文本
f = open(file_path)
text = f.read()
#text = read_doc_file(file_path)
# 停用词列表,你可以根据需要自行添加或修改
stopwords = ["的", "了", "在", "是", "我", "有", "和", "就", "不", "人", "都", "一", "一个", "上", "也", "很", "到"]
word_list=cut_with_filter(text,stopwords)
chinese_list = [word for word in word_list if isinstance(word, str) and word.isalpha()]
# 统计每个词的词频
counter = Counter(chinese_list)
word_freq = dict(counter)
keys = pd.Series(list(word_freq.keys()))
values = pd.Series(list(word_freq.values()))
# 将分词结果和词频保存到DataFrame
df = pd.DataFrame({'词': keys, '词频': values})
print(df)
# 将DataFrame保存到Excel文件
df.to_excel('分词结果1.xlsx', index=False)
二、提取文字型PDF的文字
使用PyMuPDF库可以快速提取文字型PDF的文字。本文做了封装。
1、转化单个文件,使用pdf2txt函数,输入路径是PDF文件的路径
2、转化一个文件夹下,使用 pdf2txt_multi函数,输入路径是PDF所在的文件夹
import fitz
import os
#转化单个文件
def pdf2txt(input_file,output_file):
with fitz.open(input_file) as doc:
text = ""
for page in doc.pages():
text += page.get_text() # 注意这里使用了 get_text() 方法
with open(output_file, "w", encoding="utf-8") as f:
f.write(text)
return text
def pdf2txt_multi(input_folder, output_file):
# 遍历输入文件夹中的所有文件
for file_name in os.listdir(input_folder):
if file_name.endswith(".pdf"):
print(file_name)
# 构建输入文件路径
input_file = os.path.join(input_folder, file_name)
# 打开PDF文件,并写入txt文件
with fitz.open(input_file) as doc:
text = ""
for page in doc.pages():
text += page.get_text() # 注意这里使用了 get_text() 方法
with open(output_file, "w", encoding="utf-8") as f:
f.write(text)
return text
if __name__ == "__main__":
# 输入和输出文件路径,当要转化一个文件夹时是文件夹路径。
input_file =r"xx"
output_file = "output.txt"
pdf2txt_multi(input_file,output_file)
三、合并文字型PDF
使用python的fitz库将一个文件夹下的pdf合并成一个pdf
import os
import fitz
def merge_pdfs(pdf_folder, output_pdf_path):
pdf_files = [f for f in os.listdir(pdf_folder) if f.endswith(".pdf")]
# 创建一个新的PDF文件
merged_pdf = fitz.open()
# 遍历每个PDF文件并将其插入到合并文件中
for pdf_file in pdf_files:
pdf_path = os.path.join(pdf_folder, pdf_file)
pdf = fitz.open(pdf_path)
merged_pdf.insert_pdf(pdf)
merged_pdf.save(output_pdf_path)
merged_pdf.close()
if __name__ == '__main__':
# 获取文件夹下所有PDF文件的路径
pdf_folder = r"D:\工作\科创专班\资料\会议报告\2024研讨会"
# 保存合并后的PDF文件
output_pdf_path = "output_merged_pdf.pdf"
print(f"合并完成,保存为:{output_pdf_path}")
四、图片型PDF转为word并合并
1、单进程模式
import datetime
import os
import fitz
from paddleocr import PaddleOCR
from docx import Document
# 输出以.pdf结尾的文件的完整文件路径
def find_pdf_files(directory):
pdf_files = []
for root, dirs, files in os.walk(directory):
for file in files:
if file.endswith('.pdf'):
pdf_file_path = os.path.join(root, file)
pdf_files.append(pdf_file_path)
return pdf_files
def text_noposition(data, left, right, bottom, top):
text_res = ""
# data[0]包含位置和文本信息
for i in data[0]:
# i[0][0][0]是横向,i[0][0][1]是位置的纵向
x, y = i[0][0][0], i[0][0][1]
if left < x < right and bottom < y < top:
# i[1][0]是文字
text_res = text_res + i[1][0]
return text_res
def pyMuPDF_fitz(pdf, image_folder_path):
start_time_pdf2img = datetime.datetime.now() # 开始时间
pdf_doc = fitz.open(pdf)
# 创建OCR模型
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
# 创建Word文档
doc = Document()
for pg in range(pdf_doc.page_count):
page = pdf_doc[pg]
rotate = int(0)
# 每个尺寸的缩放系数为1.3,这将为我们生成分辨率提高2.6的图像。
# 此处若是不做设置,默认图片大小为:792X612, dpi=96
zoom_x = 1.33333333 # (1.33333333-->1056x816) (2-->1584x1224)
zoom_y = 1.33333333
mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
pix = page.get_pixmap(matrix=mat, alpha=False)
if not os.path.exists(image_folder_path): # 判断存放图片的文件夹是否存在
os.makedirs(image_folder_path) # 若图片文件夹不存在就创建
# 提取不带扩展名的文件名
filename = os.path.basename(pdf)
file_name, file_extension = os.path.splitext(filename)
print(file_name,"页码",pg)
image_path = f"{image_folder_path}\\{file_name}_{pg}.jpg"
pix.save(image_path) # 将图片写入指定的文件夹内
# 识别图片中的文字
result = ocr.ocr(image_path)
# 将识别结果写入Word文档
doc.add_paragraph(f"{file_name}")
doc.add_paragraph(f"页码:{pg+1}")
processed_text = text_noposition(result, left=0, right=10000, bottom=500, top=2000)
doc.add_paragraph(processed_text)
if not os.path.exists(word_path): # 判断存放word的文件夹是否存在
os.makedirs(word_path) # 若word文件夹不存在就创建
# 保存Word文档
doc_name = f"{file_name}.docx"
doc_path=f"{word_path}\\{doc_name}"
doc.save(doc_path)
end_time_pdf2img = datetime.datetime.now() # 结束时间
print('pdf2img时间=', (end_time_pdf2img - start_time_pdf2img).seconds)
return doc_name
if __name__ == '__main__':
# 测试
pdf_folder = r"D:\工作\科创专班\资料\会议报告\24年工作会"
image_folder = r"xx"
word_path = r"xx"
pdf_files = find_pdf_files(pdf_folder)
for pdf_file in pdf_files:
pyMuPDF_fitz(pdf_file, image_folder)
2、多进程模式
多进程需要注意在每个进程内部import paddleocr包,否则无法序列化这个包导致程序无法运行。
def pyMuPDF_fitz(pdf, image_folder_path):
from paddleocr import PaddleOCR
不能再开头导入包
import datetime
import os
import fitz
#from paddleocr import PaddleOCR
from joblib import Parallel, delayed
from docx import Document
# 输出以.pdf结尾的文件的完整文件路径
def find_pdf_files(directory):
pdf_files = []
for root, dirs, files in os.walk(directory):
for file in files:
if file.endswith('.pdf'):
pdf_file_path = os.path.join(root, file)
pdf_files.append(pdf_file_path)
return pdf_files
def text_noposition(data, left, right, bottom, top):
text_res = ""
# data[0]包含位置和文本信息
for i in data[0]:
# i[0][0][0]是横向,i[0][0][1]是位置的纵向
x, y = i[0][0][0], i[0][0][1]
if left < x < right and bottom < y < top:
# i[1][0]是文字
text_res = text_res + i[1][0]
return text_res
def pyMuPDF_fitz(pdf, image_folder_path):
from paddleocr import PaddleOCR
start_time_pdf2img = datetime.datetime.now() # 开始时间
pdf_doc = fitz.open(pdf)
# 创建OCR模型
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
# 创建Word文档
doc = Document()
for pg in range(pdf_doc.page_count):
page = pdf_doc[pg]
rotate = int(0)
# 每个尺寸的缩放系数为1.3,这将为我们生成分辨率提高2.6的图像。
# 此处若是不做设置,默认图片大小为:792X612, dpi=96
zoom_x = 1.33333333 # (1.33333333-->1056x816) (2-->1584x1224)
zoom_y = 1.33333333
mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
pix = page.get_pixmap(matrix=mat, alpha=False)
if not os.path.exists(image_folder_path): # 判断存放图片的文件夹是否存在
os.makedirs(image_folder_path) # 若图片文件夹不存在就创建
# 提取不带扩展名的文件名
filename = os.path.basename(pdf)
file_name, file_extension = os.path.splitext(filename)
print(file_name,"页码",pg)
image_path = f"{image_folder_path}\\{file_name}_{pg}.jpg"
pix.save(image_path) # 将图片写入指定的文件夹内
# 识别图片中的文字
result = ocr.ocr(image_path)
# 将识别结果写入Word文档
doc.add_paragraph(f"{file_name}")
doc.add_paragraph(f"页码:{pg+1}")
processed_text = text_noposition(result, left=0, right=10000, bottom=500, top=2000)
doc.add_paragraph(processed_text)
if not os.path.exists(word_path): # 判断存放word的文件夹是否存在
os.makedirs(word_path) # 若word文件夹不存在就创建
# 保存Word文档
doc_name = f"{file_name}.docx"
doc_path=f"{word_path}\\{doc_name}"
doc.save(doc_path)
end_time_pdf2img = datetime.datetime.now() # 结束时间
print('pdf2img时间=', (end_time_pdf2img - start_time_pdf2img).seconds)
return doc_name
if __name__ == '__main__':
# 测试
pdf_folder = r"D:\data\2024\会议报告\24年工作会"
image_folder = r"D:\data\2024\picture"
word_path = r"D:\data\2024\word"
pdf_files = find_pdf_files(pdf_folder)
# for pdf_file in pdf_files:
# pyMuPDF_fitz(pdf_file, image_folder)
#paddleocr不能序列化,不能使用
results = Parallel(n_jobs=-1,)(
delayed(pyMuPDF_fitz)(pdf_file, image_folder) for pdf_file in pdf_files)
五、合并文件夹中的word
from docx import Document
import os
def merge_word_documents(folder_path, output_path):
# 创建一个新的Word文档
merged_document = Document()
# 遍历文件夹中的每个Word文档
for filename in os.listdir(folder_path):
if filename.endswith(".docx"):
file_path = os.path.join(folder_path, filename)
# 打开当前的Word文档
current_document = Document(file_path)
# 将当前文档的内容复制到合并文档中
for element in current_document.element.body:
merged_document.element.body.append(element)
# 保存合并后的文档
merged_document.save(output_path)
# 程序入口
if __name__ == "__main__":
folder_path = r"your_folder_path"
output_path = r"output_folder/merged_document.docx"
merge_word_documents(folder_path, output_path)
六、将整个图片转换为文字并写入pandas表
采用先把内如写入list,再把list转DataFrame的形式实现。
import os
import pandas as pd
from paddleocr import PaddleOCR
from pandasrw import view
#输出结果转字符串
def text_noposition(data):
data_res = []
# data[0]包含位置和文本信息
for i in data[0]:
# i[0][0][0]是横向,i[0][0][1]是位置的纵向
x, y = i[0][0][0], i[0][0][1]
# i[1][0]是文字
data_res.append(i[1][0])
return data_res
def convert_png_to_txt(dir_path):
# 初始化PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
list_text =[]
data_text=[]
# 遍历指定目录下的所有.png文件
for filename in os.listdir(dir_path):
if filename.endswith('.jpg'):
file_path = os.path.join(dir_path, filename)
# 使用PaddleOCR提取图片中的文本
result = ocr.ocr(file_path, cls=True)
data_text = text_noposition(result)
list_text=list_text+data_text
print(list_text)
# 创建 DataFrame 并写入数据
df = pd.DataFrame(list_text)
return df
# 指定要处理的图片的目录
dir_path = r"D:\data\2024\pic\d"
df=convert_png_to_txt(dir_path)
view(df)
七、提取PDF部分页
extract_pages_to_new_pdf(input_path, output_path, [起始页, 结束页]) 提取开始到结束页的连续PDF,对于不连续的页面提取转换为多次连续的页面提取。
import fitz # PyMuPDF
def extract_pages_to_new_pdf(input_pdf_path, output_pdf_path, page_numbers):
# 打开原始PDF文件
pdf_doc = fitz.open(input_pdf_path)
# 创建一个新的PDF文档对象
new_pdf = fitz.open()
# 遍历要提取的页面索引
new_pdf.insert_pdf(pdf_doc, from_page=min(page_numbers), to_page=max(page_numbers))
# 保存新的PDF文件
new_pdf.save(output_pdf_path)
# 关闭文档
pdf_doc.close()
new_pdf.close()
if __name__ == '__main__':
input_path=r 文件名
output_path=r""
extract_pages_to_new_pdf(input_path, output_path, [25, 42])