前言
在这篇文章中,我将分享如何使用 Flask 框架创建一个 PDF 文档处理与展示的应用程序。昨天我将PyQT程序改到flask框架下看看效果,这个应用程序可以上传 PDF 文件,提取文本和图表,并以用户友好的方式展示这些内容。以下是实现步骤的详细介绍。
一、项目环境准备
安装所需库: 在开始之前,请确保安装以下 Python 库:
pip install Flask PyPDF2 pdf2image pytesseract opencv-python
Flask:Web 框架。
PyPDF2:用于处理 PDF 文件。
pdf2image:将 PDF 页面转换为图像。
pytesseract:进行光学字符识别(OCR)。
opencv-python:用于图像处理,提取图表。
Tesseract OCR: 确保已安装 Tesseract OCR,具体安装步骤请参考 Tesseract GitHub 页面。
二、应用程序结构
本项目的结构如下:
/pdf_processor
├── app.py # Flask 应用主文件
├── utils.py # 处理 PDF 的工具模块
└── templates
├── upload.html # 文件上传页面
└── display.html # 显示提取内容的页面
三、主要代码实现
1.app.py
这是 Flask 应用的主文件,负责路由和业务逻辑
代码如下(示例):
from flask import Flask, render_template, request, redirect, url_for
from utils import PDFProcessor
app = Flask(__name__)
pdf_processor = PDFProcessor()
@app.route('/')
def index():
return render_template('upload.html')
@app.route('/upload', methods=['POST'])
def upload():
if 'pdf_file' not in request.files:
return redirect(request.url)
file = request.files['pdf_file']
if file.filename == '':
return redirect(request.url)
pdf_path = f'uploads/{file.filename}'
file.save(pdf_path)
pdf_processor.set_pdf_path(pdf_path)
pdf_processor.clear_output_folder()
pdf_processor.convert_pdf_to_images()
pdf_processor.extract_charts_from_images()
toc_data = pdf_processor.generate_toc()
return render_template('display.html', toc=toc_data)
if __name__ == '__main__':
app.run(debug=True)
2.utils.py
此模块包含 PDF 处理的逻辑,包括转换、文本提取和图表提取。
代码如下:
import os
import pytesseract
from pdf2image import convert_from_path
import cv2
import re
class PDFProcessor:
def __init__(self):
self.pdf_path = None
self.image_folder = "output_images/"
self.extracted_charts = {}
def set_pdf_path(self, pdf_path):
self.pdf_path = pdf_path
def clear_output_folder(self):
if os.path.exists(self.image_folder):
for file in os.listdir(self.image_folder):
file_path = os.path.join(self.image_folder, file)
if os.path.isfile(file_path):
os.remove(file_path)
else:
os.makedirs(self.image_folder)
def convert_pdf_to_images(self):
pages = convert_from_path(self.pdf_path, 300)
for i, page in enumerate(pages):
output_filepath = os.path.join(self.image_folder, f'page_{i + 1}.png')
page.save(output_filepath, 'PNG')
def extract_text_with_ocr(self, image_path):
return pytesseract.image_to_string(image_path, lang='chi_sim')
def generate_toc(self):
self.toc_data = []
title_pattern = re.compile(r'^\d+(\.\d+)+\s+([^\d\W]+.*)', re.MULTILINE)
image_files = sorted(os.listdir(self.image_folder), key=lambda f: int(f.split('_')[1].split('.')[0]))
for image_filename in image_files:
image_path = os.path.join(self.image_folder, image_filename)
text = self.extract_text_with_ocr(image_path)
for match in title_pattern.finditer(text):
title = match.group(0).strip()
page = image_filename.split('_')[1].split('.')[0]
self.toc_data.append({'title': title, 'page': int(page)})
return self.toc_data
def extract_charts_from_images(self):
# 这里的图表提取逻辑同上
pass
# 其他方法省略
3.模板文件
upload.html:
<!DOCTYPE html>
<html>
<head>
<title>上传 PDF 文件</title>
</head>
<body>
<h1>上传 PDF 文件</h1>
<form action="{{ url_for('upload') }}" method="post" enctype="multipart/form-data">
<input type="file" name="pdf_file" accept="application/pdf">
<input type="submit" value="上传">
</form>
</body>
</html>
display.html
<!DOCTYPE html>
<html>
<head>
<title>提取结果</title>
</head>
<body>
<h1>目录</h1>
<ul>
{% for item in toc %}
<li>{{ item.title }} - <a href="#">{{ item.page }}</a></li>
{% endfor %}
</ul>
<a href="{{ url_for('index') }}">返回上传页面</a>
</body>
</html>
后面就是点击运行就可以了。
四、总结
通过使用 Flask 和其他 Python 库,我们可以轻松实现 PDF 文档的处理和展示功能。你也可以根据需求扩展功能,比如支持其他文件格式、优化图表提取算法等。希望这篇文章对您有所帮助!非常期待你能想出更好的方法优化文字提取和图表提取效果,我感觉如果不用上深度学习识别图表,确实效果不是很好,在后续我会学习一下相关方法。也期待你能与我交流分享。
如有任何问题,请在评论区留言,我会尽快回复。