Python实现PDF扫描件生成DOCX或EXCEL功能 Python实现PDF扫描件生成DOCX或

1.问题描述
2.实现流程
3.功能代码

3.1pdf转为图片
3.2表格图片文字识别到excel

4.案例说明

1.问题描述应项目需求需要获取PDF扫描文件的内容，但寻遍整个网络能达到这种功能的产品，都要会员充值。苦于囊中羞涩也只好编写功能代码来实现了。
如PDF中表格图片图-1效果生成图-2

文章图片

图-1

文章图片

图-2

2.实现流程整个步骤为：读取PDF文件->生成图片->ORC获取图片内容->写入Excel

文章图片

3.功能代码
3.1 pdf转为图片

import fitz # pdf转为图片from aip import AipOcr # 图片文字识别import time # 程序运行时间间隔以避免出错import docx # 将识别结果保存为docx文件from docx.oxml.ns import qn # 设置docx文件的字体""" 你的 APPID AK SK """APP_ID = 'xxxxxx'API_KEY = 'xxxxxxxx'SECRET_KEY = 'xxxxxxxxxxxxxxxxxxxxxxx'client = AipOcr(APP_ID, API_KEY, SECRET_KEY)'''将PDF转化为图片pdfPath pdf文件的路径imgPath 图像要保存的路径zoom_x x方向的缩放系数zoom_y y方向的缩放系数rotation_angle 旋转角度zoom_x和zoom_y一般取相同值，值越大，图像分辨率越高返回目标pdf的名称和页数，便于下一步操作'''def pdf_image(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0):# 获取pdf文件名称name = pdfPath.split("\\")[-1].split('.pdf')[0]# 打开PDF文件pdf = fitz.open(pdfPath)# 获取pdf页数num = pdf.pageCount# 逐页读取PDFfor pg in range(0, num):page = pdf[pg]# 设置缩放和旋转系数trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)pm = page.getPixmap(matrix=trans, alpha=False)# 开始写图像pm.writePNG(imgPath + name + "_" + str(pg) + ".png")pdf.close()return name, num'''将图片读取为docx文件imgPath 图像所在路径生成的docx也保存在图像所在路径中name为pdf名称（不含后缀）num为pdf页数name和num均可由上一个函数返回'''def ReadDetail_docx(imgPath, name, num):# 建立一个空doc文档doc = docx.Document()# 设置全局字体doc.styles["Normal"].font.name=u"宋体"doc.styles["Normal"]._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')# 读取图片for n in range(0,num):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 npimport 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 osimage_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 imagesdef 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IDrequest_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 = https://www.it610.com/article/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。