一、前言
二、需求描述
三、开始动手动脑
3.1 安装相关第三方包
3.2 导入需要用到的第三方库
3.3 读取pdf文件，并识别内容
3.4 对识别的数据进行处理，写入csv文件
总结
1. 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。
2. 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
3. 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
登录后复制
3.2 导入需要用到的第三方库
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
登录后复制
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(pdf_path, fmt='png',first_page=first_page,last_page=last_page,output_folder=imagefolder,userpw='site')# 转成图片text = ''for img in images: text += pytesseract.image_to_string(img, lang=lang) # 识别图片文字 with open(r'exampledata.txt' 'a', encoding='utf-8') as f: #写入txt文件 f.write(text)
登录后复制
运行结果
生成一个同名的文件夹存放拆分的图片，接着提取图片文字写入data.txt
image-20211215212147760
运行问题
“ 问题抛出1：
pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH? ”
解决措施：下载 poppler。
>1 方法一：设置环境变量 poppler/bin；
>2 方法二：
参数指定绝对路径：
images = convert_from_path(pdf_path=pdf_file_path, poppler_path=r’poppler中bin文件所在地址’)
“ 问题抛出2：
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it’s not in your PATH. See README file for more information. ”
解决措施：额外下载安装tesseract-ocr并配置环境变量。
3.4 对识别的数据进行处理，写入csv文件
modification(infile, outfile)
清洗生成的文本文档
infile:需要进行处理的文件地址 outfile:处理后生成的新文件的地址
def modification(infile, outfile):infp = open(infile, "r",encoding='utf-8')outfp = open(outfile, "w",encoding='utf-8')lines = infp.readlines() #返回列表，包含所有的行。#依次读取每行for li in lines:if li.split(): #str.split(str="", num=string.count(str)),过滤文件中的空行# 根据识别情况对数据进行清洗li = li.replace('[', ' ').replace(']', '')outfp.writelines(li)infp.close()outfp.close()
登录后复制
运行结果
生成一个新的txt文件，新文件删除了data.txt中的空行，将原文件中错误识别的内容替换成正确的。
writercsv(intxt,outcsv)
将文本文件按空格分列写入csv表格
intxt：文本文件地址 outcsv：新生成的csv文件
def writercsv(intxt,outcsv):# 使用newlines=''可保证存储的数据不空行。csvFile = open(outcsv, 'a',newline='', encoding='utf-8') writer = csv.writer(csvFile)csvRow = []f = open(intxt,'r',encoding='utf-8')for line in f:csvRow = line.split() #以空格为分隔符if len(csvRow)>1 and len(csvRow)运行结果
生成一个三列csv文件，第一列是英文名，第二列是中文名，第三列是所在国家
image-20211215204846623
image-20211215204941725
总结
通过本次学习实现了从扫描件中提取文字、把内容按要求写进不同格式的文档的需求。
最初以为提取pdf的库也适用于扫描件，尝试了Pdfplumber库和PyPDF2库。
实践发现Pdfplumber只能识别扫描件pdf中的水印，不适用于扫描件的pdf，而PyPDF2库运行报错：NotImplementedError: only algorithm code 1 and 2 are supported。
原因是这个被加密的pdf可能是从高版本的acrobot中来的，所以对应的加密算法代号为‘4’，然而，现有的pypdf2模块并只支持加密算法代号为‘1’或者‘2’的pdf加密文件。
登录后复制
以上就是Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享的详细内容，更多请关注【创想鸟】其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至253000106@qq.com举报，一经查实，本站将立刻删除。
发布者：PHP中文网，转转请注明出处：https://www.chuangxiangniao.com/p/2235196.html
