WHCSRL 技术网

python如何解析PDF文件

python如何解析PDF文件

python中读取pdf的方法:使用python第三方库pdfminerk3k

1.使用pdfminer库

pdfminer是一个主流的分析pdf的库。如果是python3版本,通过pip install pdfminer3k下载
对于pdfminer的学习,我参考的主要是pdf信息提取.
pdfminer将pdf解析为如图所示的形式:
pdf文件组织形式
但上面那篇参考文档的例子是关于LTText的,我要解析的文档基本是扫描件,即主要由LTImage组成,所以我接下来的内容主要围绕如何提取LTImage的文字。
我的思路是,事实上,LTImage就是图片,也就是说,可以将问题转换为如何提取图片的文字信息。

                        for element in lobj:
                            #lobj:pdfminer.layout.LiFigure
                            # element:pdfminer.layout.LTImage
                                text = element.stream.get_data()
                                img ='out_img.jpg'
                                with open(img,'wb')as fp:
                                    fp.write(text)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

此时,out_img.jpg就是pdf其中一页。
接下来,提取图片文字。

2.提取图片文字

存在两种提取图片文字的方法;

  1. 使用第三方库pytesseract
  2. 调用外部api,如百度api

2.1 使用第三方库pytesseract

调用的主要问题在于安装过程有点小坑,如果要解析中文图片的话,还必须同时下载一个中文语言包。我参考的是Tesseract OCR V5.0安装教程(Windows)
安装好后,一行代码就可以识别了

print(pytesseract.image_to_string(img, lang='chi_sim'))
  • 1

缺点是识别效果很一般,如果有水印的话,会识别出一些奇怪的文字

2.2使用百度api

下载百度api

pip install baidu-aip -i http://pypi.douban.com/simple --t[rust](https://so.csdn.net/so/search?from=pc_blog_highlight&q=rust)ed-host pypi.douban.com
  • 1

教程
1.我参考的主要是文字识别.
核心代码:

from aip import AipOcr
client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
# pic_path图片存储路径
i = open(pic_path, 'rb')
img = i.read()    
message = client.basicGeneral(img) #通用文字识别
i.close();
for text in message.get('words_result'):
	print(text.get('words'))
       
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

注意,使用通用文字识别时,记得要先获取免费的使用次数获取免费的使用次数

领取免费次数的界面
该方法优点是识别比较准确,缺点是有限制次数。
如果文章存在问题,欢迎指出。能力有限,欢迎指导。

推荐阅读