一、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。
二、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:
pdfexample
csvexample
三、开始动手动脑
pdf扫描件是文档扫描成电脑图片格式后转化成的,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工具提取图片中的文字。
3.1 安装相关第三方包
pip3 install pdf2image pytesseract
3.2 导入需要用到的第三方库
####Python学习交流群:906715085###
import os #处理文件
from pdf2image import convert_from_path # pdf转图片
import pytesseract # 识别图片文字
import csv # 处理csv文件
3.3 读取pdf文件,并识别内容
tess_ocr(pdf_path, lang, first_page, last_page)
将pdf文件拆分成图片,并提取文字写入文本文件
•pdf_path:pdf文件的存储路径
•image:代表PDF文档每页的PIL图像列表
•first_page :允许设置由pdftoppm处理的第一个页面;
•last_page:允许设置最后一页由pdftoppm处理
•fmt:允许指定输出格式。目前支持的格式是jpg、png和ppm;
•output_folder:图片保存路径
def tess_ocr(pdf_path, lang,first_page,last_page):
# 创建一个和pdf同名的文件夹
images = convert_from_path