利用python将图片版PDF转文字版PDF
图片版PDF无法复制,转化成文字版的PDF后使用更方便.
我们需要用到python3.6,pypdf2,ghostscript,PythonMagick,百度文字识别服务和pdfkit.
安装
安装python3.6略
安装ghostscript
https://ghostscript.com/download/gsdnld.html
安装wkhtmltopdf
https://wkhtmltopdf.org/downloads.html
pip安装PyPDF2,ghostscript,baidu-aip,pdfkit
pipinstallPyPDF2 pipinstallghostscript pipinstallbaidu-aip pipinstallpdfkit
pip安装PythonMagick
https://www.lfd.uci.edu/~gohlke/pythonlibs/
cd下载目录 pipinstallPythonMagick‑0.9.13‑cp36‑cp36m‑win_amd64.whl
pypdf2用于拆分和合并PDF
示例代码如下:
#导入PdfFileReader和PdfFileWriter fromPyPDF2importPdfFileReader,PdfFileWriter #获取一个pdf对象 pdf_input=PdfFileReader(open(r'pdf路径','rb')) #获取pdf页数 page_count=pdf_input.getNumPages() #获取pdf第四页的内容 page=pdf_input.getPage(3) page['/Contents'] #获取一个pdfWriter对象 pdf_output=PdfFileWriter() #将一个PageObject加入到PdfFileWriter中 pdf_output.addPage(page) #把新pdf保存 pdf_output.write(open(r'新pdf路径','wb'))
PythonMagick用于将单页PDF转化为jpg
百度云-文字识别-pythonSDK
每天有500次免费的识别
示例代码如下:
#导入baidu-aip
fromaipimportAipOcr
#https://console.bce.baidu.com/#/index/overview
#产品服务->人工智能->文字识别->创建应用
#获取以下三个值
APP_ID='??'
API_KEY='??'
SECRET_KEY='??'
#新建一个AipOcr
client=AipOcr(APP_ID,API_KEY,SECRET_KEY)
#读取本地图片的函数
defget_file_content(filePath):
withopen(filePath,'rb')asfp:
returnfp.read()
#读取本地图片
image=get_file_content('p1.jpg')
#可选参数
options={}
options["language_type"]="CHN_ENG"
options["detect_direction"]="true"
options["detect_language"]="true"
options["probability"]="true"
#通用文字识别
client.basicGeneral(image,options)
#读取网络图片
url="https://note.youdao.com/yws/public/resource/1577071c1ffa2b6bf4e238ef6dbcfbf5/xmlnote/E5A19BEDFEBA4879B217C5BBF53B0245/22138"
#可选参数
options={}
options["language_type"]="CHN_ENG"
options["detect_direction"]="true"
options["detect_language"]="true"
options["probability"]="true"
#通用文字识别
client.basicGeneralUrl(url,options)
#读取本地表格图片的函数
defget_file_content(filePath):
withopen(filePath,'rb')asfp:
returnfp.read()
#读取本地表格图片
image=get_file_content('p2.jpg')
#可选参数
options={}
options["language_type"]="CHN_ENG"
options["detect_direction"]="true"
options["detect_language"]="true"
options["probability"]="true"
#通用文字识别
client.basicGeneral(image,options)
#读取表格分割效果较差!
pdfkit用于利用字符串生成pdf
示例代码如下:
#pdfkit安装位置设置
path_wk=r'pdfkit安装位置设置'
pdfkit_config=pdfkit.configuration(wkhtmltopdf=path_wk)
#pdfkit参数
pdfkit_options={'encoding':'UTF-8',}
#制作PDF
pdfkit.from_string(('string'),'D:\test.pdf',configuration=pdfkit_config,options=pdfkit_options)
完整代码如下
#导入所需包
#os,操作文件和路径
importos
#ghostscript,代码简化
importghostscript
#pypdf2,拆分pdf
fromPyPDF2importPdfFileReader,PdfFileWriter
#PythonMagick,单页PDF转图片
fromPythonMagickimportImage
#baidu-aip,百度文字识别
fromaipimportAipOcr
#pdfkit,字符串制作PDF
importpdfkit
#参数
path='??'
pdfname='??'
DPI='85'
#https://console.bce.baidu.com/#/index/overview
#产品服务->人工智能->文字识别->创建应用
#获取以下三个值
APP_ID='??'
API_KEY='??'
SECRET_KEY='??'
#pdfkit安装位置设置
path_wk=r'pdfkit安装位置设置'
pdfkit_config=pdfkit.configuration(wkhtmltopdf=path_wk)
#pdfkit参数
pdfkit_options={'encoding':'UTF-8',}
#PDF转化为图片
os.chdir(path)
pdf_input=PdfFileReader(open(pdfname,'rb'))
#自动获取PDF页数
page_count=pdf_input.getNumPages()
page_range=range(page_count)
#也可以手工指定PDF需要转换的页数
#page_range=range(0,100)
#使用PyPDF和ghostscript
#==超级好用,超级直观,超级短==
forpage_numinpage_range:
im=Image()
im.density(DPI)
im.read(pdfname+'['+str(page_num)+']')
im.write(str(page_num)+'.jpg')
#图片转化为字符串
#新建一个AipOcr
client=AipOcr(APP_ID,API_KEY,SECRET_KEY)
#读取本地图片的函数
defget_file_content(filePath):
withopen(filePath,'rb')asfp:
returnfp.read()
#可选参数
options={}
options["language_type"]="CHN_ENG"
options["detect_direction"]="false"
options["detect_language"]="false"
options["probability"]="false"
allteststr=[]
forpage_numinpage_range:
#读取本地图片
image=get_file_content(r'%s\%s.jpg'%(path,page_num))
#通用文字识别,得到的是一个dict
testjson=client.basicGeneral(image,options)
teststr=''
forxintestjson['words_result']:
teststr=teststr+x['words']+''
allteststr.append(teststr)
#字符串写入PDF
forpage_numinpage_range:
pdfkit.from_string((allteststr[page_num]),'%s.pdf'%(str(page_num)),configuration=pdfkit_config,options=pdfkit_options)
#合并单页PDF
pdf_output=PdfFileWriter()
forpage_numinpage_range:
os.chdir(path)
pdf_input=PdfFileReader(open('%s.pdf'%(str(page_num)),'rb'))
page=pdf_input.getPage(0)
pdf_output.addPage(page)
pdf_output.write(open('newpdf.pdf','wb'))
以上就是为大家介绍的如何使用python3.6,pypdf2,ghostscript,PythonMagick,百度文字识别服务和pdfkit