将有大量表格图片的Word/PDF识别成文本Word（Python调用阿里云读光接口）

 将有大量表格图片的word转换成文本格式(依然是word格式)，暂且记录下，一时间写的比较乱，有空了再好好梳理和调整。

主要是通过“阿里云读光PDF识别”（官方网址）的API实现的，这边的流程是：先把包含大量表格图片的word转换成PDF，然后将PDF拆分（因为API每次调用最多识别20页），然后请求识别，返回拆分后对应的word，再将word合并起来。

#!/usr/bin/env python
# coding=utf-8

from PyPDF2 import PdfFileReader, PdfFileWriter
import os
import urllib.request
import urllib.parse
import json
import time
import base64
from os.path import abspath
from win32com import client

url_request="https://generalpdf.market.alicloudapi.com/ocrservice/pdf" #api
AppCode = "" #appcode（需个人实名购买，500次免费）
headers = {
    'Authorization': 'APPCODE ' + AppCode,
    'Content-Type': 'application/json; charset=UTF-8'
}


# PDF文件分割，由于每次
def split_pdf(read_file, pagelenth): #pagelenth每一次分割的页数
    try:
        fp_read_file = open(read_file, 'rb')
        pdf_input = PdfFileReader(fp_read_file)  # 将要分割的PDF内容格式话
        page_count = pdf_input.getNumPages()  # 获取PDF页数
        print(page_count)  # 打印页数
        start_page=1
        write_file=0

        while start_page<=page_count:
            end_page=start_page+pagelenth-1
            if end_page>page_count:end_page=page_count #控制有效页数
            write_file+=1
            pdf_file = f'{write_file}.pdf'
            try:
                print(f'开始分割{start_page}页-{end_page}页，保存为{pdf_file}......')
                pdf_output = PdfFileWriter()  # 实例一个 PDF文件编写器
                for i in range(start_page-1, end_page):
                    pdf_output.addPage(pdf_input.getPage(i))
                with open(pdf_file, 'wb') as sub_fp:
                    pdf_output.write(sub_fp)
                print(f'完成分割{start_page}页-{end_page}页，保存为{pdf_file}!')
            except IndexError:
                print(f'分割页数超过了PDF的页数')
            start_page=end_page+1
    except Exception as e:
        print(e)
    finally:
        fp_read_file.close()




#请求阿里云读光PDF识别
def posturl(url,data={}):
    try:
        params=json.dumps(data).encode(encoding='UTF8') #data为请求数据，参考官方格式
        req = urllib.request.Request(url, params, headers)
        r = urllib.request.urlopen(req)
        html =r.read()
        r.close();
        return html.decode("utf8")
    except urllib.error.HTTPError as e:
        print(e.code)
        print(e.read().decode("utf8"))
    time.sleep(1)
#返回jason的str
    
    
#word合并   
def docx_merge(files,final_docx):
    word=client.gencache.EnsureDispatch('Word.Application') 
    word.Visible=True
    new_document=word.Documents.Add()  #创建新文档
    for fn in files:
        fn = abspath(fn)
        temp_document = word.Documents.Open(fn)
        word.Selection.WholeStory()
        word.Selection.Copy()  #将分文档的内容全部复制进剪贴板
        temp_document.Close()
        new_document.Range()  #粘贴到新文档
        word.Selection.Delete()
        word.Selection.Paste()
    new_document.SaveAs(final_docx)
    new_document.Close()
    word.Quit()
#word合并可能会出现com_error: (-2147417848, '被调用的对象已与其客户端断开连接。', None, None)，此时手动打开一下word客户端再执行就可以了

    
if __name__=="__main__":
    #参数
    path = "../Untitled Folder/" #中间拆分文件过渡的文件夹位置（只放拆分文件）
    final_docx = r'C:/Users/XXX/Desktop/result.docx' #最终目标
    pdf_source = 'C:/Users/XXX/Desktop/XXX.pdf' #PDF源
    
    split_pdf(pdf_source, pagelenth=20) #每次切20页
    files = os.listdir(path)
    #print(files)
    filenames = [file for file in files if file[-3:]=='pdf']
    #filenames.sort(key=lambda x:x[0])
    print(filenames) #打印PDF拆分的文件名
    dicts=[]
    for body in filenames:
        with open(f'../Untitled Folder/{body}', 'rb') as f:  # 挨个读取PDF拆分后的文件
            data = f.read()
            encodestr = str(base64.b64encode(data),'utf-8')  #b64编码后需要转成str格式
            dicts.append({'fileBase64': encodestr,"table": True,'fileType': 'word'})
    docx_list=[]
    for d in dicts:
        html = posturl(url_request, data=d)
        a=eval(html)
        result=a['fileBase64'] #获取返回的word内容(ba64编码)
        ans=base64.b64decode(result) #解码
        tmp=f"{dicts.index(d)}.docx" #分文档
        docx_list.append(tmp)
        with open(tmp, 'wb') as f:
            f.write(base64.b64decode(result))
            f.close()
    print(docx_list) #打印生成的docx文件名
    docx_merge(docx_list,final_docx)