欧美一区二区在线播放,国产精品久久久亚洲,视频一区二区三区在线观看

Python 實現 PD 文字識別、提取并寫入 CSV 文件腳本分享

一、前言

二、需求描述

三、開始動手動腦

3.1 安裝相關第三方包

3.2 導入需要用到的第三方庫

3.3 讀取pdf文件，并識別內容

3.4 對識別的數據進行處理，寫入csv文件

總結

1. 前言

掃描件一直受大眾青睞，任何紙質資料在掃描之后進行存檔，想使用時手機就能打開，省心省力。但是掃描件的優點也恰恰造成了它的一個缺點，因為是通過電子設備掃描，所以出來的是圖像，如果想要處理文件上的內容，直接操作是無法實現的。

那要是想要引用其中的內容怎么辦呢？別擔心，Python幫你解決問題。

2. 需求描述

現有一份pdf掃描件，我們想把其中的文字提取出來并且分三列寫入csv文檔，內容及效果如下：

Python 實現 PD 文字識別、提取并寫入 CSV 文件腳本分享

pdfexample

Python 實現 PD 文字識別、提取并寫入 CSV 文件腳本分享

csvexample

3. 開始動手動腦

pdf掃描件是文檔掃描成電腦圖片格式后轉化成的，提取其中的文字就相當于識別圖片內的文字。所以，我們的工作就是將pdf轉成圖片，再用ocr工具提取圖片中的文字。

3.1 安裝相關第三方包

pip3 install pdf2image pytesseract

3.2 導入需要用到的第三方庫

import os #處理文件 from pdf2image import convert_from_path # pdf轉圖片 import pytesseract # 識別圖片文字 import csv # 處理csv文件

3.3 讀取pdf文件，并識別內容

tess_ocr(pdf_path, lang, first_page, last_page)

將pdf文件拆分成圖片，并提取文字寫入文本文件

pdf_path：pdf文件的存儲路徑
image：代表PDF文檔每頁的PIL圖像列表
first_page ：允許設置由pdftoppm處理的第一個頁面；
last_page：允許設置最后一頁由pdftoppm處理
fmt：允許指定輸出格式。目前支持的格式是jpg、png和ppm；
output_folder：圖片保存路徑

def tess_ocr(pdf_path, lang,first_page,last_page): # 創建一個和pdf同名的文件夾 images = convert_from_path(pdf_path, fmt='png',first_page=first_page,last_page=last_page,output_folder=imagefolder,userpw='site') # 轉成圖片 text = '' for img in images: text += pytesseract.image_to_string(img, lang=lang) # 識別圖片文字  with open(r'example\data.txt' 'a', encoding='utf-8') as f: #寫入txt文件 f.write(text)

運行結果

生成一個同名的文件夾存放拆分的圖片，接著提取圖片文字寫入data.txt

Python 實現 PD 文字識別、提取并寫入 CSV 文件腳本分享

image-20211215212147760

運行問題

“ 問題拋出1：

pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH? ”

解決措施：下載 poppler。

>1 方法一：設置環境變量 poppler/bin；

>2 方法二：

參數指定絕對路徑：

images = convert_from_path(pdf_path=pdf_file_path, poppler_path=r'poppler中bin文件所在地址')

“ 問題拋出2：

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information. ”

解決措施：額外下載安裝tesseract-ocr并配置環境變量。

3.4 對識別的數據進行處理，寫入csv文件

modification(infile, outfile)

清洗生成的文本文檔

infile:需要進行處理的文件地址
outfile:處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。 #依次讀取每行 for li in lines: if li.split(): #str.split(str="", num=string.count(str)),過濾文件中的空行  # 根據識別情況對數據進行清洗  li = li.replace('[', ' ').replace(']', '') outfp.writelines(li) infp.close() outfp.close()

運行結果

生成一個新的txt文件，新文件刪除了data.txt中的空行，將原文件中錯誤識別的內容替換成正確的。

writercsv(intxt,outcsv)

將文本文件按空格分列寫入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=''可保證存儲的數據不空行。 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() #以空格為分隔符 if len(csvRow)>1 and len(csvRow)<=3: #約束條件，視情況而定 writer.writerow(csvRow) f.close() csvFile.close()