Python实现PD文字识别、提取并写入CSV文件脚本分享
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
正在上传…重新上传取消
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'example\data.txt' 'a', encoding='utf-8') as f: #写入txt文件f.write(text)
正在上传…重新上传取消
## 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-20211215201838225
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
正在上传…重新上传取消
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()
正在上传…重新上传取消
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。
image-20211215203123576
image-20211215212227592
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
正在上传…重新上传取消
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()
正在上传…重新上传取消
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。
最后,今天的分享到这里就没有了,相信到这里你也已经掌握了,没有掌握的小伙伴要记得及时提出来,这样才能更好地解决问题。
Python实现PD文字识别、提取并写入CSV文件脚本分享相关推荐
- Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享
作者 | 一只河马h 来源 | 简说Python 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 ...
- 【Python入门教程】第73篇 写入CSV文件
本篇我们介绍如何使用 Python 内置的 csv 模块将数据写入 CSV 文件. 写入 CSV 文件 在 Python 代码中写入 CSV 文件的步骤如下: 首先,使用内置的 open() 函数以写 ...
- python查询数据库数据并将数据写入csv文件,并读取
1.连接数据库 import mysql.connector #连接测试数据库 mydb = mysql.connector.connect(host="10.100.0.0",u ...
- Python爬取新浪微博评论数据,写入csv文件中
因为新浪微博网页版爬虫比较困难,故采取用手机网页端爬取的方式 操作步骤如下: 1. 网页版登陆新浪微博 2.打开m.weibo.cn 3.查找自己感兴趣的话题,获取对应的数据接口链接 4.获取cook ...
- 2021-02-21 Python Easyocr 图片文字识别
Python Easyocr 图片文字识别 前段时间做了车牌识别相关的内容分享,参看: 车牌识别(1)-车牌数据集生成 车牌识别(2)-搭建车牌识别模型 今天给大家分享一个简单的OCR文本识别工具:e ...
- Python 利用百度文字识别 API 识别并提取图片中文字
Python 利用百度文字识别 API 识别并提取图片中文字 利用百度 AI 开发平台的 OCR 文字识别 API 识别并提取图片中的文字.首先需注册获取 API 调用的 ID 和 key,步骤如下: ...
- Python 利用百度文字识别验证码、文字、图片并提取图片中文字或数字
Python 利用百度文字识别验证码.文字.图片并提取图片中文字或数字 Python 利用百度文字识别验证码.文字.图片并提取图片中文字或数字 以下是代码实现, Python 利用百度文字识别验证码. ...
- C语言 提取软件文字,使用OCR文字识别软件如何将图中文字识别提取出来
有时候我们上网看见了一些文字图片,上面的内容自己很喜欢,想要将文字保存下来,但是大家都知道图片上面的文字是不可以直接进行复制粘贴的,那这时候就需要识别提取图中文字了,具体怎样去操作呢?下面小编将在文字 ...
- 如何使用Python实现图像文字识别OCR
要使用Python实现图像文字识别OCR,可以使用以下步骤: 安装Tesseract OCR引擎 Tesseract是一种开源OCR引擎,可以处理多种语言和字体.要使用Python进行OCR,需要安装 ...
最新文章
- 3、iOS Xcode创建protocol(代理).h文件
- 网络:301和302
- Oracle 安装报错 [INS-06101] IP address of localhost could not be determined 解决方法
- android String的replace和replaceAll的使用
- g menu i meun_长沙话读“这里”,到底是阁(gó)里还是该(gái)里
- micro/protoc-gen-micro 不见了
- matlab打开笔记本摄像头_matlab窗口调用摄像头
- Spring中,修改注入的bean名称
- 比较和同步两个SQL Server数据库之间的图像
- perl亲身试验ini---使用perl读写配置文件
- 【夏虫语冰】visio2013安装出错,您输入的产品密钥无法在此计算机上使用,错误25004
- 硬盘坏道修复软件测试工程师,硬盘坏道检测,教您如何修复硬盘坏道
- 编译原理学习笔记之上下文无关文法
- 了解单反相机的自动对焦点
- QT开发环境简介、安装以及搭建VS2019环境
- EOF 键盘输入end of file
- 共享换电:车企筑垒,宁王拆墙
- 免费图书的检索和获取途径
- 【HBuilderX】预编译器错误:代码使用了scss/sass语言,但未安装相应的编译器插件,请前往插件市场安装该插件:
- Android Platform 3.0 SDK和Eclipse ADT安装记录三
热门文章
- 网络不稳定 网速忽高忽低,ping值忽高忽低的解决办法 无线网出现问题解决
- debian9.6安装TAO过程
- tao.Opengl
- ROUND_UP、ROUND_DOWN、ROUND_HALF_UP(BigDecimal四舍五入)、ROUND_HALF_DOWN
- Word怎么在方框里打勾就是一个方框打上一个对号
- Python与Anaconda、Jupyter Notebook与Pycharm
- Stream操作666
- NCRE考试感想 三级信息安全(上)
- xmpp学习使用简单介绍(二)
- 【数据治理】数据安全-数据脱敏方案