查看原文
其他

Python 提取 PDF 指定内容,并批量重命名文件!

The following article is from 早起Python Author 陈熹


本文将分享一个常见办公场景下的Python自动化案例,主要将涉及以下两个内容

  • Python提取图片型PDF内容
  • Python批量重命名文件

一、需求描述

有一个文件夹 货物清单 中含有多张货物清单的影印版 PDF,分别命名为 文件 (1).pdf 文件 (2).pdf ... 文件 (20).pdf,如下所示:

PDF 是纯图片类型,里面的文字信息无法手动复制,同时本例中所有的图片都向左旋转 90 度,大致如下图所示(马赛克部分为无关内容):

我们需要做的是 「 获取图中红框部分 TRACKING# 以及 REF2 冒号后的字符串,用 & 连接后重命名这个 PDF 文件  」

也就是需要根据每个PDF内容来批量重命名一大堆文件,最终效果如下

二、逻辑梳理与基础配置

本需求是一个批处理问题,即需要对诸多文件执行类型的操作,基本思路是先完成对一份文件的处理,然后借助 glob 模块获取指定路径所有符合要求的文件路径,执行批处理框架,固后面的操作先针对 文件 (1).pdf

需求中最大的难题在于,PDF 是图片类型,无法按常规方法提取文件。解决思路是利用光学字符识别(OCR)将图片中的文字识别出,然后进行后续操作,这里就涉及到一些先后顺序:

  1. 将图片向右旋转回正位
  2. 截取需要识别的部分图片
  3. 将截取的图片交给 OCR 获取字符串

为了完成 OCR,需要在电脑上安装三个软件:

  1. Ghostscript 32 位
  2. ImageMagick 32 位
  3. tesseract-OCR 32 位

三个软件的下载安装没有特殊的地方(tesseract 配置稍复杂但网络有上诸多教程,这里不再赘述),读者可自行搜索下载及配置

三、代码实现

首先导入需要的模块:

from wand.image import Image
from PIL import Image as PI
import pyocr
import pyocr.builders
import io
import glob
import re
import os
import shutil

具体的模块用途可以参考下面具体代码。其中 wandpyocr 由于是非标准库需要自行额外安装。打开命令行输入:

pip install wand
pip install pyocr

作为测试以及方便后面的实际运行,需求中的 货物清单 这一文件夹可以放在桌面上。为了获取其中的内容首先我们要明确桌面的路径。每个人每台电脑的桌面路径都不相同,如果直接复制当前电脑桌面的路径,更换电脑或者其他用户调试就需要额外修改。可通过下面基于 os 模块的代码获取桌面路径:

# 获取桌面路径包装成一个函数
def GetDesktopPath():
    return os.path.join(os.path.expanduser("~"), 'Desktop')

path = GetDesktopPath() + r'\货物清单' # 获取 货物清单 文件夹路径

获取配置好的 tesseract 便于后面调用:

tool = pyocr.get_available_tools()[0]

文件 (1).pdf 为例,通过 wand 模块将 PDF 文件转化为分辨率为 300 的 jpeg 图片形式:

image_pdf = Image(filename=path + r'\文件 (1).pdf', resolution=300)
image_jpeg = image_pdf.convert('jpeg')

将图片解析为二进制矩阵:

image_lst = []
for img in image_jpeg.sequence:
    img_page = Image(image=img)
    image_lst.append(img_page.make_blob('jpeg'))

io 模块的 BytesIO 方法读取二进制内容为图片形式:

new_img = PI.open(io.BytesIO(image_lst[0]))

由于图片现在处于左旋 90 度的水平位,将其转为正位可以用 rotate() 方法,注意该方法是逆时针旋转,因此回正位需要逆时针旋转 270 度。完善上面的代码,并为 new_img.show() 预览图片:

new_img = PI.open(io.BytesIO(image_lst[0])).rotate(270)
new_img.show()

弹出图片并恢复到了正位,接下来分别截取需要提取部位字符串的图片了,尽量让图片中只有需要识别的部分,获取识别出来容易简单处理获得需要的内容截取图片用 image.crop((left, top, right, bottom)) 四个参数需要反复调试才能确定。首先提取 TRACKING# 部位需要的内容,经确定四个参数分别是 350 600 1350 730,尝试截取和预览图片:

### 解析1Z开头码
left = 350
top = 600
right = 1300
bottom = 730
image_obj1 = new_img.crop((left, top, right, bottom))
image_obj1.show()

截取成功后可以交给 OCR 了,代码为 tool.image_to_string()

txt1= tool.image_to_string(image_obj1)
print(txt1)
5

通过正则提取红框内需要的内容:

req = 'TRACKING #: (.*)'
txt1_real = ''.join(re.findall(req, txt1)[0].split())
print(txt1_real)

用同样的办法也可以提取另一个红框的文字:

### 解析C开头码
left = 205
top = 1170
right = 2450
bottom = 1200
image_obj2 = new_img.crop((left, top, right, bottom))
txt2 = tool.image_to_string(image_obj2)
req = 'C.\d+\d'
txt2_real = re.findall(req, txt2)[0]

最后将两个字符串和 & 拼接为长字符串,然后通过 os.rename() 完成重命名文件的目的:

file_name = txt1_real + '&' + txt2_real
os.rename(path + r'\文件 (1).pdf', path + r'\{}.pdf'.format(file_name))

至此我们就完成了需求的一大步,接下来只需要借助 glob 模块遍历目标文件夹,对获取的每一个文件执行上面的操作即可,这样就将全部需求完成,所有的PDF均按照指定字段进行重命名

本文的分享就到这里,上面的 Python办公自动化 案例可以扩展到很多使用场景(核心为提取PDF指定内容+批量重命名),大家可以自己找一些文件测试学习,如果对你有所帮助可以给本文来一波三连~


- EOF -

推荐阅读  点击标题可跳转

1、还不会用 Python 提取 PDF 表格?三种类型数据,轻松转换成 Excel

2、如何使用 python 提取 PDF 表格及文本,并保存到 Excel

3、Python 办公自动化|批量合并 PDF,拿来就用


觉得本文对你有帮助?请分享给更多人

推荐关注「Python开发者」,提升Python技能

点赞和在看就是最大的支持❤️

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存