Python自动化：提取扫描件中的文字

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。

前言

需求描述

分析

代码

tess_ocr(pdf_path, lang,first_page,last_page)

writercsv(intxt,outcsv)

compare_file(file1,file2,file3)

总结

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：

分析

pdf扫描件是文档扫描成电脑图片格式后转化成pdf,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。

代码

首先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

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'C:\Users\31678\Desktop\example\data.txt' 'a', encoding='utf-8') as f: #写入txt文件f.write(text)

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

运行问题

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

解决措施：下载 poppler。

方法一：设置环境变量 poppler/bin；

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：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。

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  li=li.replace('[',' ')      #根据识别情况对数据进行清洗 outfp.writelines(li)
infp.close()
outfp.close()

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):
csvFile = open(outcsv,'a',newline='',encoding='utf-8') # 使用newlines=''可保证存储的数据不空行。
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()

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

compare_file(file1,file2,file3)

提取出的csv与原csv进行对比，将内容错误的行写入file3,同时附赠错误提示

file1：提取出的csv

file2：原csv

file3：有误内容

def compare_file(file1,file2,file3):
#定义空列表来存放两个文件的对应行engname1,engname2，country1,country2，chiname1,chiname2
#字符串存放对比会出现的错误情况engnameerror，countryerror，chinameeeror
#open打开提取的文件 别名f1，f2
#readlines()读取文件中的每一行 存放在fileone，filetwo
#将fileone中的每一列分离出来，添加进列表中
for row in fileone:
engname1.append(row.split(',')[0])   try:country1.append(row.split(',')[1])chiname1.append(row.split(',')[2])except IndexError :    #可能会出现索引越界country1.append(' ') chiname1.append(' ')
#同理将filetwo中的每一列分离出来，添加进列表中#打开file3#循环第一列的单元格for cell in engname1:  #比较文件中的第一列，若fileone中的第一列中的元素不在filetwo的第一列的对应行中，将这一行写进file3中if cell not in engname2:      csvrow=fileone[engname1.index(cell)]+engnameerrorwriter.writerow(csvrow.split(','))
#若第一列在，则比较第二列，若fileone中的第二列中的元素不在filetwo的第二列对应行中，将这一行写进file3中
#若第一列，第二列都对应，则比较第三列，若fileone中的第三列中的元素不在filetwo的第三列对应行中，将这一行写进file3中
#关闭文件

运行结果

有误的行写入different.csv，同时在行尾显示错误信息

运行问题

问题抛出：UnicodeDecodeError: 'utf8' codec can't decode byte 0xa4 in position

解决措施：先将文件另存为csv，再用记事本打开，点击文件->另存为,在最下方修改编码方式

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，最后还完成了与原文件的对比。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。