【全自动】批量OCR识别提取PDF指定区域内容到 Excel 以及根据PDF文件内容的标题来批量重命名-附思路和代码实现

随着大数据技术的发展，企业希望从海量的PDF文件中挖掘有价值的信息用于业务决策。识别PDF文件中的内容、改名以及导出表格，是进行大数据分析的前置工作，这些整理后的文件将作为重要的数据源为分析提供支持。

以下是一个基于 Python 和腾讯 API 实现批量 OCR 识别提取 PDF 用户指定区域内容到 Excel 并根据 PDF 文件内容的标题来批量重命名的详细方案，包括思路和代码实现：

一、实现思路：

1. PDF 转图像：
   • 使用 pdf2image 库将 PDF 文件转换为图像文件，因为 OCR 服务通常对图像进行操作。
   • 对于多页的 PDF，将其每一页都转换为单独的图像文件。
2. 调用腾讯 OCR API：
   • 注册腾讯 OCR 服务并获取 API 密钥。
   • 对转换后的图像文件进行 OCR 识别。
   • 根据腾讯 API 的要求，将图像文件编码为 Base64 格式并发送请求，同时添加必要的签名信息。
   • 处理 API 的响应，解析 JSON 数据。
3. 指定区域内容提取：
   • 定义用户指定的区域（如 (x, y, width, height)）。
   • 从 OCR 结果中筛选出在指定区域内的文本内容，这可能需要根据 OCR 结果的坐标信息进行判断。
4. Excel 导出：
   • 使用 pandas 库将提取的内容存储在 DataFrame 中。
   • 将 DataFrame 导出为 Excel 文件。
5. 文件重命名：
   • 从 OCR 结果中提取标题信息（可能需要根据 PDF 的布局，假设标题在特定位置或具有特定格式）。
   • 根据提取的标题对 PDF 文件进行重命名。

二、代码实现：

python

import os
import json
import base64
import hashlib
import requests
import pandas as pd
from pdf2image import convert_from_path


# 腾讯 OCR API 信息
API_KEY = "your_api_key"
SECRET_KEY &#