圖片版PDF無法復制,轉化成文字版的PDF后使用更方便.
我們需要用到python3.6,pypdf2,ghostscript,PythonMagick,百度文字識別服務和pdfkit.
安裝
安裝python3.6 略
安裝ghostscript
https://ghostscript.com/download/gsdnld.html
安裝wkhtmltopdf
https://wkhtmltopdf.org/downloads.html
pip安裝PyPDF2,ghostscript,baidu-aip,pdfkit
pip install PyPDF2
pip install ghostscript
pip install baidu-aip
pip install pdfkit
pip安裝PythonMagick
https://www.lfd.uci.edu/~gohlke/pythonlibs/
cd 下載目錄
pip install PythonMagick?0.9.13?cp36?cp36m?win_amd64.whl
pypdf2用于拆分和合并PDF
示例代碼如下:
#導入PdfFileReader和PdfFileWriter
from PyPDF2 import PdfFileReader, PdfFileWriter
#獲取一個pdf對象
pdf_input = PdfFileReader(open(r'pdf路徑', 'rb'))
#獲取pdf頁數
page_count = pdf_input.getNumPages()
#獲取pdf第四頁的內容
page = pdf_input.getPage(3)
page['/Contents']
#獲取一個pdfWriter對象
pdf_output = PdfFileWriter()
# 將一個 PageObject 加入到 PdfFileWriter 中
pdf_output.addPage(page)
#把新pdf保存
pdf_output.write(open(r'新pdf路徑','wb'))
PythonMagick用于將單頁PDF轉化為jpg
百度云-文字識別-python SDK
每天有500次免費的識別
示例代碼如下:
#導入baidu-aip
from aip import AipOcr
#https://console.bce.baidu.com/#/index/overview
#產品服務->人工智能->文字識別->創建應用
#獲取以下三個值
APP_ID = '??'
API_KEY = '??'
SECRET_KEY = '?? '
#新建一個AipOcr
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
#讀取本地圖片的函數
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
#讀取本地圖片
image = get_file_content('p1.jpg')
#可選參數
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "true"
options["detect_language"] = "true"
options["probability"] = "true"
#通用文字識別
client.basicGeneral(image, options)
#讀取網絡圖片
url = "https://note.youdao.com/yws/public/resource/1577071c1ffa2b6bf4e238ef6dbcfbf5/xmlnote/E5A19BEDFEBA4879B217C5BBF53B0245/22138"
#可選參數
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "true"
options["detect_language"] = "true"
options["probability"] = "true"
#通用文字識別
client.basicGeneralUrl(url, options)
#讀取本地表格圖片的函數
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
#讀取本地表格圖片
image = get_file_content('p2.jpg')
#可選參數
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "true"
options["detect_language"] = "true"
options["probability"] = "true"
#通用文字識別
client.basicGeneral(image, options)
#讀取表格分割效果較差!
pdfkit用于利用字符串生成pdf
示例代碼如下:
#pdfkit安裝位置設置
path_wk = r'pdfkit安裝位置設置'
pdfkit_config = pdfkit.configuration(wkhtmltopdf = path_wk)
#pdfkit參數
pdfkit_options = {'encoding': 'UTF-8',}
#制作PDF
pdfkit.from_string(('string'),'D:\test.pdf',configuration=pdfkit_config,options=pdfkit_options)
完整代碼如下
#導入所需包
#os,操作文件和路徑
import os
#ghostscript,代碼簡化
import ghostscript
#pypdf2,拆分pdf
from PyPDF2 import PdfFileReader, PdfFileWriter
#PythonMagick,單頁PDF轉圖片
from PythonMagick import Image
#baidu-aip,百度文字識別
from aip import AipOcr
#pdfkit,字符串制作PDF
import pdfkit
#參數
path='??'
pdfname='??'
DPI='85'
#https://console.bce.baidu.com/#/index/overview
#產品服務->人工智能->文字識別->創建應用
#獲取以下三個值
APP_ID = '??'
API_KEY = '??'
SECRET_KEY = '?? '
#pdfkit安裝位置設置
path_wk = r'pdfkit安裝位置設置'
pdfkit_config = pdfkit.configuration(wkhtmltopdf = path_wk)
#pdfkit參數
pdfkit_options = {'encoding': 'UTF-8',}
#PDF轉化為圖片
os.chdir(path)
pdf_input = PdfFileReader(open(pdfname, 'rb'))
#自動獲取PDF頁數
page_count = pdf_input.getNumPages()
page_range=range(page_count)
#也可以手工指定PDF需要轉換的頁數
#page_range=range(0,100)
#使用PyPDF和ghostscript
#==超級好用,超級直觀,超級短==
for page_num in page_range:
im = Image()
im.density(DPI)
im.read(pdfname + '[' + str(page_num) +']')
im.write(str(page_num)+ '.jpg')
#圖片轉化為字符串
#新建一個AipOcr
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
#讀取本地圖片的函數
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
#可選參數
options = {}
options["language_type"] = "CHN_ENG"
options["detect_direction"] = "false"
options["detect_language"] = "false"
options["probability"] = "false"
allteststr=[]
for page_num in page_range:
#讀取本地圖片
image = get_file_content(r'%s\%s.jpg' % (path,page_num))
#通用文字識別,得到的是一個dict
testjson=client.basicGeneral(image, options)
teststr=''
for x in testjson['words_result']:
teststr=teststr+x['words']+''
allteststr.append(teststr)
#字符串寫入PDF
for page_num in page_range:
pdfkit.from_string((allteststr[page_num]),'%s.pdf' % (str(page_num)),configuration=pdfkit_config,options=pdfkit_options)
#合并單頁PDF
pdf_output = PdfFileWriter()
for page_num in page_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'))
以上就是為大家介紹的如何使用python3.6,pypdf2,ghostscript,PythonMagick,百度文字識別服務和pdfkit
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
