python 生成pdf文件,扫描件如何生成pdf文件
本文主要介绍如何使用Python实现将PDF扫描文档转换为DOCX或EXCEL文件格式的功能。本文中的样例代码讲解的很详细,有需要的朋友可以参考一下。
00-1010 1.问题描述2。实施过程3。功能码3.1pdf转图片3.2表格图片文字识别转excel4。案例描述
目录
我们需要根据项目的需要获取PDF扫描文档的内容,但是如果在全网搜索可以实现该功能的产品,则需要会员充值。苦于没有钱,我不得不写功能代码来实现它。
例如,表格图片图1中的PDF-效果生成图2
图一
图2
1.问题描述
整个步骤是:读取PDF文件-生成图片-ORC获取图片内容-写入Excel。
2.实现流程
3.功能代码
将fitz # pdf导入图片
从aip导入AipOcr #图像文本识别
import #程序每隔一段时间运行一次以避免出错。
导入docx #将识别结果保存为docx文件。
从docx.oxml.ns导入qn #设置docx文件的字体。
您的APPID AK SK
APP_ID=xxxxx
x
API_KEY=
):
i = open(imgPath+name+"_"+str(n)+".png",rb)
time.sleep(0.1)
img = i.read()
message = client.basicAccurate(img)
content = message.get(words_result)
# 将内容写入doc文档
for i in range(len(content)):
doc.add_paragraph(content[i].get(words))
# 保存doc文档
doc.save(imgPath + name + .docx)
def pdf_to_docx(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0):
print("正在将pdf文件转换为图片...")
# 调用函数一将pdf转换为图片,并获得文件名和页数
name_, num_ = pdf_image(pdfPath, imgPath, zoom_x, zoom_y, rotation_angle)
print("转换成功!")
#print("正在读取图片内容...")
# 调用函数二逐页读取图片并逐行保存在docx文件中
# ReadDetail_docx(imgPath, name_, num_)
#print("名为 {}.pdf 的pdf文件共有{}页,已成功转换为docx文件!".format(name_, num_))
# pdf储存路径
pdf_path = "JRT 0197-2020金融数据安全 数据安全分级指南.pdf"
# 图片和生成的docx文件的储存路径
img_path = r"G:\imges\\"
# 调用函数
pdf_to_docx(pdf_path, img_path)
3.2 表格图片文字识别到excel
import pandas as pdimport numpy as np
import re
# 图片识别
from aip import AipOcr
# 时间模块
import time
# 网页获取
import requests
# 操作系统接口模块
import os
image_path =
# 获取文件夹中所有图片
def get_image():
images = [] # 存储文件夹内所有文件的路径(包括子目录内的文件)
for root, dirs, files in os.walk(image_path):
path = [os.path.join(root, name) for name in files]
images.extend(path)
return images
def Image_Excel(APP_ID, API_KEY, SECRET_KEY):
# 调用百度AI接口
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
# 循环遍历文件家中图片
images = get_image()
for image in images:
# 以二进制方式打开图片
img_open = open(image, rb)
# 读取图片
img_read = img_open.read()
# 调用表格识别模块识别图片
table = client.tableRecognitionAsync(img_read)
# 获取请求ID
request_id = table[result][0][request_id]
# 获取表格处理结果
result = client.getTableRecognitionResult(request_id)
# 处理状态是“已完成”,获取下载地址
while result[result][ret_msg] != 已完成:
time.sleep(2) # 暂停2秒再刷新
result = client.getTableRecognitionResult(request_id)
download_url = result[result][result_data]
print(download_url)
# 获取表格数据
excel_data = requests.get(download_url)
# 根据图片名字命名表格名称
xlsx_name = image.split(".")[0] + ".xlsx"
# 新建excel文件
xlsx = open(xlsx_name, wb)
# 将数据写入excel文件并保存
xlsx.write(excel_data.content)
if __name__ == __main__:
image_path = r"G:\imgs\\"
APP_ID = xxxxxxxx
API_KEY = xxxxxxx
SECRET_KEY = xxxxxxxxxxxxxxxxxxxxxx
Image_Excel(APP_ID, API_KEY, SECRET_KEY)
4. 案例说明
我这里是获取JRT 0197-2020金融数据安全 数据安全分级指南.pdf扫描文件,将内部表格数据写入到excel文件。
以上就是Python实现PDF扫描件生成DOCX或EXCEL功能的详细内容,更多关于Python 扫描件转DOCX EXCEL的资料请关注盛行IT软件开发工作室其它相关文章!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。