Python如何實現PDF掃描件生成DOCX或EXCEL功能

這篇文章將為大家詳細講解有關Python如何實現PDF掃描件生成DOCX或EXCEL功能，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

1.問題描述

應項目需求需要獲取PDF掃描文件的內容，但尋遍整個網絡能達到這種功能的產品，都要會員充值。苦于囊中羞澀也只好編寫功能代碼來實現了。

如PDF中表格圖片圖-1效果生成圖-2

圖-1

圖-2

2.實現流程

整個步驟為：讀取PDF文件->生成圖片->ORC獲取圖片內容->寫入Excel

3.功能代碼

3.1 pdf轉為圖片

import fitz # pdf轉為圖片
from aip import AipOcr # 圖片文字識別
import time # 程序運行時間間隔以避免出錯
import docx # 將識別結果保存為docx文件
from docx.oxml.ns import qn # 設置docx文件的字體

""" 你的 APPID AK SK """
APP_ID = 'xxxxxx'
API_KEY = 'xxxxxxxx'
SECRET_KEY = 'xxxxxxxxxxxxxxxxxxxxxxx'

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

'''
將PDF轉化為圖片
pdfPath pdf文件的路徑
imgPath 圖像要保存的路徑
zoom_x x方向的縮放系數
zoom_y y方向的縮放系數
rotation_angle 旋轉角度
zoom_x和zoom_y一般取相同值，值越大，圖像分辨率越高
返回目標pdf的名稱和頁數，便于下一步操作

'''
def pdf_image(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0):
    # 獲取pdf文件名稱
    name = pdfPath.split("\\")[-1].split('.pdf')[0]
    # 打開PDF文件
    pdf = fitz.open(pdfPath)
    # 獲取pdf頁數
    num = pdf.pageCount
    # 逐頁讀取PDF
    for pg in range(0, num):
        page = pdf[pg]
        # 設置縮放和旋轉系數
        trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
        pm = page.getPixmap(matrix=trans, alpha=False)
        # 開始寫圖像
        pm.writePNG(imgPath + name + "_" + str(pg) + ".png")
    pdf.close()
    return name, num


'''
將圖片讀取為docx文件
imgPath 圖像所在路徑
生成的docx也保存在圖像所在路徑中
name為pdf名稱（不含后綴）
num為pdf頁數
name和num均可由上一個函數返回

'''
def ReadDetail_docx(imgPath, name, num):
    # 建立一個空doc文檔
    doc = docx.Document()
    # 設置全局字體
    doc.styles["Normal"].font.name=u"宋體"
    doc.styles["Normal"]._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋體')
    # 讀取圖片
    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')
        # 將內容寫入doc文檔
        for i in range(len(content)):
            doc.add_paragraph(content[i].get('words'))
    # 保存doc文檔
    doc.save(imgPath + name + '.docx')

def pdf_to_docx(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0):
    print("正在將pdf文件轉換為圖片...")
    # 調用函數一將pdf轉換為圖片，并獲得文件名和頁數
    name_, num_ = pdf_image(pdfPath, imgPath, zoom_x, zoom_y, rotation_angle)
    print("轉換成功！")
    #print("正在讀取圖片內容...")
    # 調用函數二逐頁讀取圖片并逐行保存在docx文件中
   # ReadDetail_docx(imgPath, name_, num_)
    #print("名為 {}.pdf 的pdf文件共有{}頁，已成功轉換為docx文件！".format(name_, num_))

# pdf儲存路徑
pdf_path = "JRT 0197-2020金融數據安全 數據安全分級指南.pdf"
# 圖片和生成的docx文件的儲存路徑
img_path = r"G:\imges\\"
# 調用函數
pdf_to_docx(pdf_path, img_path)

3.2 表格圖片文字識別到excel

import pandas as pd
import numpy as np
import re
# 圖片識別
from aip import AipOcr
# 時間模塊
import time
# 網頁獲取
import requests
# 操作系統接口模塊
import os

image_path = ''


# 獲取文件夾中所有圖片

def get_image():
    images = []  # 存儲文件夾內所有文件的路徑（包括子目錄內的文件）
    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):
    #  調用百度AI接口
    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
    # 循環遍歷文件家中圖片
    images = get_image()
    for image in images:
        # 以二進制方式打開圖片
        img_open = open(image, 'rb')
        # 讀取圖片
        img_read = img_open.read()
        # 調用表格識別模塊識別圖片
        table = client.tableRecognitionAsync(img_read)
        # 獲取請求ID
        request_id = table['result'][0]['request_id']
        # 獲取表格處理結果
        result = client.getTableRecognitionResult(request_id)
        # 處理狀態是“已完成”，獲取下載地址
        while result['result']['ret_msg'] != '已完成':
            time.sleep(2)  # 暫停2秒再刷新
            result = client.getTableRecognitionResult(request_id)
        download_url = result['result']['result_data']
        print(download_url)
        # 獲取表格數據
        excel_data = requests.get(download_url)
        # 根據圖片名字命名表格名稱
        xlsx_name = image.split(".")[0] + ".xlsx"
        # 新建excel文件
        xlsx = open(xlsx_name, 'wb')
        # 將數據寫入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. 案例說明

我這里是獲取JRT 0197-2020金融數據安全 數據安全分級指南.pdf掃描文件，將內部表格數據寫入到excel文件。

關于“Python如何實現PDF掃描件生成DOCX或EXCEL功能”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。