昨天突发需求要打印一张图片上的文档,图片拍太昏暗,完全不具有可读性,于是想试试转为word文档,编辑以后再打印,百度了一下,找到了一个大神的文档”使用python在实现图片(包括扫描件的图片类pdf)转换成word文档过程中的常见问题_py617的博客-CSDN博客_python 图片转word“,根据这个文档,基本搞定了需求,但不知道是图片太模糊还是没使用什么高级设置,总之对导出的文档还是得作一些编辑工作才能使用。
根据原文档操作的话,基本框架就有了,但还需要处理一些报错,于是将我的一些处理记录下来,写一篇文章存档:
一、安装必要的工具和库:
1、Python 建议安装3.7或以上版本(我自己安装的是3.8版本,pycharm和anaconda3)
2、tesseract-ocr 这个一定要装,基本算是整个项目的核心工具了,下载地址: https://github.com/UB-Mannheim/tesseract/wiki ,安装最新版本
3、库支持:(如果下载较慢,可以在命令后用-i加入临时国内源,如 -i https://pypi.tuna.tsinghua.edu.cn/simple)
pip install pillow
pip install opencv-python
pip install fitz
pip install PyMuPDF
pip install pytesseract
pip install python-docx
二、可运行的简单代码:
import os
import pytesseract
import cv2 as cv
import fitz
from PIL import Image
from PIL import ImageFile
import docx
from docx.oxml.ns import qn
ImageFile.LOAD_TRUNCATED_IMAGES = True
Image.MAX_IMAGE_PIXELS = None
text = pytesseract.image_to_string(Image.open(r"F:/png2word/test.png"), lang='chi_sim+eng')
doc = docx.Document() # 创建一个新的word文档
doc.add_paragraph(text) # 往文档里添加识别出来的文字
doc.add_page_break() # 添加分页符,等于在word里按多了一次Ctrl+Enter
# 下面两行设置了文档字体全篇为宋体,缺一行不可
doc.styles['Normal'].font.name = u'宋体'
doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')
doc.save(os.getcwd() + '\\test.docx') # 保存文档
三、结语:
花了一个小时,装好了缺失的工具和库以后,只能说基本可以用了,感谢
py617大神和度娘!