Python 實作 PD 文字辨識、擷取並寫入 CSV 檔案腳本分享

 一、前言

二、需求描述

三、開始動手動腦

3.1 安裝相關第三方套件

3.2 導入需要用到的第三方函式庫

3.3 讀取pdf文件，並辨識內容

3.4 對辨識的資料進行處理，寫入csv檔

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後進行存檔，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，因為是透過電子設備掃描，所以出來的是影像，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並且分三列寫入csv文檔，內容及效果如下：

pdfexample

csvexample

3. 開始動手動腦

pdf掃描件是文件掃描成電腦圖片格式後轉換成的，擷取其中的文字就相當於辨識圖片內的文字。所以，我們的工作就是將pdf轉成圖片，再用ocr工具擷取圖片中的文字。

3.1 安裝相關第三方套件

pip3 install pdf2image pytesseract

3.2 匯入需要用到的第三方庫

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 讀取pdf文件，並識別內容

# tess_ocr(pdf_path, lang, first_page, last_page)

將pdf檔案分割成圖片，並擷取文字寫入文字檔案

• pdf_path：pdf檔案的儲存路徑
• image：代表PDF文件每頁的PIL影像清單
• first_page ：允許設定由pdftoppm處理的第一個頁面；
•  last_page：允許設定最後一頁由pdftoppm處理
•  fmt：允許指定輸出格式。目前支援的格式是jpg、png和ppm；
• output_folder：圖片儲存路徑

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)

運行結果

產生一個同名的資料夾存放分割的圖片，接著提取圖片文字寫入data.txt

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?    」

解決方案：下載poppler。

>1 方法一：設定環境變數 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檔案所在位址')

   「    問題拋出2：

#  pytesseract.pytesseract.TesseractNotFoundError: notactour notseract.pytes act.TesseractNotFoundError： . See README file for more information.    」

解決措施：額外下載安裝tesseract-ocr並設定環境變數。

3.4 將識別的資料進行處理，寫入csv檔案

modification(infile, outfile)

清洗產生的文字文件

 infile:需要處理的檔案位址
•  outfile:處理後產生的新檔案的位址             

• 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()
  
  
  
  

執行結果

#新的txt文件，新文件刪除了data.txt中的空白行，將原始文件中錯誤識別的內容替換成正確的。

writercsv(intxt,outcsv)

#將文字檔案以空格分列寫入csv表格

intxt：文字檔案位址
• outcsv：新產生的csv檔案

• 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)<=3:#约束条件，视情况而定
   writer.writerow(csvRow)
  f.close()
  csvFile.close()
  
  
  

執行結果

產生一個三列csv文件，第一列是英文名，第二列是中文名，第三列是所在國家

image-20211215204846623

image-20211215204941725

總結

透過本次學習實現了從掃描件中提取文字、把內容按要求寫入不同格式的文件的需求。

原本以為提取pdf的庫也適用於掃描件，嘗試了Pdfplumber庫和PyPDF2庫。

實作發現Pdfplumber只能辨識掃描件pdf中的水印，不適用於掃描件的pdf，而PyPDF2庫運行報錯：NotImplementedError: only algorithm code 1 and 2 are supported。

原因是這個被加密的pdf可能是從高版本的acrobot中來的，所以對應的加密演算法代號為'4'，然而，現有的pypdf2模組並只支援加密演算法代號為' 1'或'2'的pdf加密檔案。

以上是Python 實作 PD 文字辨識、擷取並寫入 CSV 檔案腳本分享的詳細內容。更多資訊請關注PHP中文網其他相關文章！