Python自动化：提取扫描件中的文字

VIP文章 已于 2022-11-25 20:09:52 修改
阅读量2.8k 收藏 22
点赞数 4
文章标签： python 自动化 开发语言
于 2022-11-25 20:09:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46660165/article/details/121966493
版权

前言

扫描件一直受大众青睐，任何纸质资料在扫描之后进行存档，想使用时手机就能打开，省心省力。但是扫描件的优点也恰恰造成了它的一个缺点，因为是通过电子设备扫描，所以出来的是图像，如果想要处理文件上的内容，直接操作是无法实现的。那要是想要引用其中的内容怎么办呢？别担心，Python帮你解决问题。

目录

前言

需求描述

分析

代码

tess_ocr(pdf_path, lang,first_page,last_page)

writercsv(intxt,outcsv)

compare_file(file1,file2,file3)

总结

需求描述

现有一份pdf扫描件，我们想把其中的文字提取出来并且分三列写入csv文档，内容及效果如下：

f1381ef5673b86d8fa85e8af9d1301bb.png

aabc003dfdd42a46559107949c40c277.png

分析

pdf扫描件是文档扫描成电脑图片格式后转化成pdf,提取其中的文字就相当于识别图片内的文字。所以，我们的工作就是将pdf转成图片，再用ocr工具

最低0.47元/天 解锁文章
一只河马h
关注
  • 4
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于Python实现对PDF文件的OCR识别
01-20
最近在做一个项目的时候，需要将PDF文件作为输入，从中输出文本，然后将文本存入数据库中。为此，我找寻了很久的解决方案，最终才确定使用tesseract。所以不要浪费时间了，我们开始吧。 1.安装tesseract 在不同的系统中安装tesseract非常容易。为了简便，我们以Ubuntu为例。 在Ubuntu中你仅仅需要运行以下命令: 这将会安装支持3种不同语言的tesseract。 2.安装PyOCR 现在我们还需要安装tesseract的Python接口。幸运的是，有许多出色的Python接口。 我们采用最新的一个： 3.安装Wand和PIL 在我们开始之前，还需要另外安装两个依赖包。
NameError: name 'commands' is not defined
旋转的紫色星系
02-05 4309
python 运行时出现错误： NameError: name 'commands' is not defined 原因没有导入命令 commands 解决方法： import commands
python MAC pdf2image 的安装 以及遇到的一些坑
qq_36489878的博客
01-07 6112
pdf2image 是一个将pdf文件转为image文件的包。 A python module that wraps the pdftoppm utility to convert PDF to PIL Image object 或者可以去github 的官网链接看相关的安装教程。 github地址为：https://github.com/Belval/pdf2image 安装： pi...
pdf转图片pdf2image库运行后遇到PDFInfoNotInstalledError解决办法
dasfsdfgh的博客
03-18 806
第一步：下载Poppler，https://github.com/oschwartz10612/poppler-windows/releases/tag/v23.11.0-0。参考链接：https://blog.csdn.net/qq_40600379/article/details/136153779。参考链接：https://blog.csdn.net/ccccccblock/article/details/115764854。第三步：更改安装包内的pdf2image.py中的poppler路径。
Windows 安装pdf2image运行后遇到PDFInfoNotInstalledError解决办法
ccccccblock的博客
04-16 9401
最近在学习图像处理，需要安装pdf2image，安装没有报错，运行之后报错： pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH? 一开始是想直接安装PDFInfo，或者poppler，但是都安装失败。按照网友提示安装python-poppler也因为ndk版本不对失败。 最终解决办法： 首先通过poppler-windows下载地址下载压缩包 然后
No value specified for parameter 1
u012452555的博客
07-21 381
把日志复制到mysql执行是ok的 mybatis执行就报这种问题？ 可能的一个原因： page是mybatis关键字，而不是mysql的关键字！需要用【`】给装起来！
debian使用pdf2image包 将pdf转化成图片 Poppler安装出问题
qq_42345446的博客
09-29 5955
原先用debian9.8 安上了，后来重装了一下debian9.11就安不上了？？？？？？？？？？？ 咱也不知道咋回事。。。。。。
【无标题】
qq_43764116的博客
07-18 1406
解压Poppler工具压缩包到一个目录（例如：/usr/local/poppler-xx.xx.xx/）。编辑 /etc/environment 文件，将Poppler工具的bin目录路径（例如：/usr/local/poppler-xx.xx.xx/bin/）添加到PATH变量中。访问Poppler的官方网站：https://poppler.freedesktop.org/根据你的操作系统，下载适用于你的版本的Poppler工具。重新运行代码，确保能够正确访问Poppler工具。
使用pdf2image进行PDF内容切分为图片时报错：pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count
qq_40600379的博客
02-18 1451
使用pdf2image进行PDF内容切分为图片时报错：pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count
chatgpt赋能python：Python读取扫描形成的PDF文件
「 虚幻私塾」
06-28 1044
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
python办公自动化源码集锦-批量提取Excel数据
03-13
python办公自动化源码集锦-批量提取Excel数据
MySQL 5.1官方简体中文参考手册
07-02
2.3.7. 提取安装档案文件 2.3.8. 创建选项文件 2.3.9. 选择MySQL服务器类型 2.3.10. 首次启动服务器 2.3.11. 从Windows命令行启动MySQL 2.3.12. 以Windows服务方式启动MySQL 2.3.13. 测试MySQL安装 2.3.14. 在...
MySQL 5.1中文手冊
12-11
2.3.7. 提取安装档案文件 2.3.8. 创建选项文件 2.3.9. 选择MySQL服务器类型 2.3.10. 首次启动服务器 2.3.11. 从Windows命令行启动MySQL 2.3.12. 以Windows服务方式启动MySQL 2.3.13. 测试MySQL安装 2.3.14. 在...
mysql5.1中文手册
01-09
提取安装档案文件 2.3.8. 创建选项文件 2.3.9. 选择MySQL服务器类型 2.3.10. 首次启动服务器 2.3.11. 从Windows命令行启动MySQL 2.3.12. 以Windows服务方式启动MySQL 2.3.13. 测试MySQL安装 ...
MYSQL中文手册
03-11
2.3.7. 提取安装档案文件 2.3.8. 创建选项文件 2.3.9. 选择MySQL服务器类型 2.3.10. 首次启动服务器 2.3.11. 从Windows命令行启动MySQL 2.3.12. 以Windows服务方式启动MySQL 2.3.13. 测试MySQL安装 2.3.14. ...
【 书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建
最新发布
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
05-03 863
本篇笔记内容主要为 【书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建智能体的作业 ，主要对智能体应用理论部分及具体搭建流程详细介绍，并分别进行实战应用及可视化展示，欢迎大家交流学习！
python复习（三）
qq_43710593的博客
04-29 336
类是一种面向。
SpringBoot中实现发送邮件
m0_64289188的博客
04-30 546
当你添加了spring-boot-starter-mail依赖后，Spring Boot会自动配置JavaMailSender实例，并根据application.yml文件中的属性来配置这个实例。你可以直接在需要发送邮件的地方通过@Autowired注解将JavaMailSender实例注入到你的类中，然后使用它来发送邮件。：首先，需要在你的pom.xml文件中添加Spring Boot的邮件发送器依赖。，简化了在Spring Boot应用程序中发送电子邮件的设置过程。Spring Boot的。
python扫描件pdf提取文字
07-13
您可以使用Python中的第三方库来提取PDF文件中的文本。一种常用的库是PyPDF2，您可以使用以下步骤来提取文字： 1. 首先，使用pip安装PyPDF2库： ```shell pip install PyPDF2 ``` 2. 在Python脚本中导入PyPDF2库： ```python import PyPDF2 ``` 3. 打开并读取PDF文件： ```python with open('your_pdf_file.pdf', 'rb') as file: pdf_reader = PyPDF2.PdfFileReader(file) num_pages = pdf_reader.numPages # 逐页提取文本 for page in range(num_pages): page_obj = pdf_reader.getPage(page) text = page_obj.extractText() print(text) ``` 这将逐页提取PDF文件中的文本，并将其打印出来。请确保将"your_pdf_file.pdf"替换为您要提取文本的实际PDF文件路径。 需要注意的是，文本提取的结果可能不总是完全准确，因为提取过程可能受到PDF文件本身的格式和布局的影响。您可能需要根据具体的PDF文件进行一些调整和处理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值