搜尋
首頁後端開發Python教學Python 實作 PD 文字辨識、擷取並寫入 CSV 檔案腳本分享

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

 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:

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

pdfexample

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

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

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

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

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

image-20211215204846623

Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享

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!

陳述
本文轉載於:51CTO.COM。如有侵權,請聯絡admin@php.cn刪除
2小時的Python計劃:一種現實的方法2小時的Python計劃:一種現實的方法Apr 11, 2025 am 12:04 AM

2小時內可以學會Python的基本編程概念和技能。 1.學習變量和數據類型,2.掌握控制流(條件語句和循環),3.理解函數的定義和使用,4.通過簡單示例和代碼片段快速上手Python編程。

Python:探索其主要應用程序Python:探索其主要應用程序Apr 10, 2025 am 09:41 AM

Python在web開發、數據科學、機器學習、自動化和腳本編寫等領域有廣泛應用。 1)在web開發中,Django和Flask框架簡化了開發過程。 2)數據科學和機器學習領域,NumPy、Pandas、Scikit-learn和TensorFlow庫提供了強大支持。 3)自動化和腳本編寫方面,Python適用於自動化測試和系統管理等任務。

您可以在2小時內學到多少python?您可以在2小時內學到多少python?Apr 09, 2025 pm 04:33 PM

兩小時內可以學到Python的基礎知識。 1.學習變量和數據類型,2.掌握控制結構如if語句和循環,3.了解函數的定義和使用。這些將幫助你開始編寫簡單的Python程序。

如何在10小時內通過項目和問題驅動的方式教計算機小白編程基礎?如何在10小時內通過項目和問題驅動的方式教計算機小白編程基礎?Apr 02, 2025 am 07:18 AM

如何在10小時內教計算機小白編程基礎?如果你只有10個小時來教計算機小白一些編程知識,你會選擇教些什麼�...

如何在使用 Fiddler Everywhere 進行中間人讀取時避免被瀏覽器檢測到?如何在使用 Fiddler Everywhere 進行中間人讀取時避免被瀏覽器檢測到?Apr 02, 2025 am 07:15 AM

使用FiddlerEverywhere進行中間人讀取時如何避免被檢測到當你使用FiddlerEverywhere...

Python 3.6加載Pickle文件報錯"__builtin__"模塊未找到怎麼辦?Python 3.6加載Pickle文件報錯"__builtin__"模塊未找到怎麼辦?Apr 02, 2025 am 07:12 AM

Python3.6環境下加載Pickle文件報錯:ModuleNotFoundError:Nomodulenamed...

如何提高jieba分詞在景區評論分析中的準確性?如何提高jieba分詞在景區評論分析中的準確性?Apr 02, 2025 am 07:09 AM

如何解決jieba分詞在景區評論分析中的問題?當我們在進行景區評論分析時,往往會使用jieba分詞工具來處理文�...

如何使用正則表達式匹配到第一個閉合標籤就停止?如何使用正則表達式匹配到第一個閉合標籤就停止?Apr 02, 2025 am 07:06 AM

如何使用正則表達式匹配到第一個閉合標籤就停止?在處理HTML或其他標記語言時,常常需要使用正則表達式來�...

See all articles

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

AI Hentai Generator

AI Hentai Generator

免費產生 AI 無盡。

熱門文章

R.E.P.O.能量晶體解釋及其做什麼(黃色晶體)
3 週前By尊渡假赌尊渡假赌尊渡假赌
R.E.P.O.最佳圖形設置
3 週前By尊渡假赌尊渡假赌尊渡假赌
R.E.P.O.如果您聽不到任何人,如何修復音頻
3 週前By尊渡假赌尊渡假赌尊渡假赌
WWE 2K25:如何解鎖Myrise中的所有內容
3 週前By尊渡假赌尊渡假赌尊渡假赌

熱工具

ZendStudio 13.5.1 Mac

ZendStudio 13.5.1 Mac

強大的PHP整合開發環境

Atom編輯器mac版下載

Atom編輯器mac版下載

最受歡迎的的開源編輯器

Safe Exam Browser

Safe Exam Browser

Safe Exam Browser是一個安全的瀏覽器環境,安全地進行線上考試。該軟體將任何電腦變成一個安全的工作站。它控制對任何實用工具的訪問,並防止學生使用未經授權的資源。

SublimeText3 Linux新版

SublimeText3 Linux新版

SublimeText3 Linux最新版

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用