Python如何实现PDF扫描件生成DOCX或EXCEL功能

这篇文章将为大家详细讲解有关Python如何实现PDF扫描件生成DOCX或EXCEL功能，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

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

图-1

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

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PDF    for 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ID        request_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 = 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。

关于"Python如何实现PDF扫描件生成DOCX或EXCEL功能"这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。