Python 实现 PD 文字识别、提取并写入 CSV 文件脚本分享
一、实现识别前言
二、文字文件需求描述
三、并写开始动手动脑
3.1 安装相关第三方包
3.2 导入需要用到的脚本第三方库
3.3 读取pdf文件，并识别内容
3.4 对识别的分享数据进行处理，写入csv文件
总结
1. 前言
扫描件一直受大众青睐，实现识别任何纸质资料在扫描之后进行存档，文字文件想使用时手机就能打开，并写省心省力。脚本但是分享扫描件的优点也恰恰造成了它的一个缺点，因为是实现识别通过电子设备扫描，所以出来的文字文件是图像，如果想要处理文件上的并写内容，直接操作是脚本无法实现的。
那要是分享想要引用其中的内容怎么办呢？别担心，Python帮你解决问题。
2. 需求描述
现有一份pdf扫描件，我们想把其中的文字提取出来并且分三列写入csv文档，内容及效果如下：
pdfexample
csvexample
3. 开始动手动脑
pdf扫描件是文档扫描成电脑图片格式后转化成的网站模板，提取其中的文字就相当于识别图片内的文字。所以，我们的工作就是将pdf转成图片，再用ocr工具提取图片中的文字。
3.1 安装相关第三方包
pip3 install pdf2image pytesseract
3.2 导入需要用到的第三方库
import os #处理文件
from pdf2image import convert_from_path # pdf转图片
import pytesseract # 识别图片文字
import csv # 处理csv文件
3.3 读取pdf文件，并识别内容
tess_ocr(pdf_path, lang, first_page, last_page)
将pdf文件拆分成图片，并提取文字写入文本文件
pdf_path：pdf文件的存储路径 image：代表PDF文档每页的PIL图像列表 first_page ：允许设置由pdftoppm处理的第一个页面； last_page：允许设置最后一页由pdftoppm处理 fmt：允许指定输出格式。目前支持的格式是jpg、png和ppm； output_folder：图片保存路径def tess_ocr(pdf_path, lang,first_page,last_page):
# 创建一个和pdf同名的文件夹
images = convert_from_path(pdf_path, fmt=png,first_page=first_page,last_page=last_page,output_folder=imagefolder,userpw=site) # 转成图片
text =
for img in images:
text += pytesseract.image_to_string(img, lang=lang) # 识别图片文字
with open(rexample\data.txt a, encoding=utf-8) as f: #写入txt文件
f.write(text)
运行结果生成一个同名的文件夹存放拆分的图片，接着提取图片文字写入data.txt
image-20211215212147760
运行问题“ 问题抛出1：
pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH? ”
解决措施：下载 poppler。
>1 方法一：设置环境变量 poppler/bin；
>2 方法二：
参数指定绝对路径：
images = convert_from_path(pdf_path=pdf_file_path, poppler_path=rpoppler中bin文件所在地址)
“ 问题抛出2：
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or its not in your PATH. See README file for more information. ”
解决措施：额外下载安装tesseract-ocr并配置环境变量。
3.4 对识别的数据进行处理，写入csv文件
modification(infile, outfile)
清洗生成的文本文档
infile:需要进行处理的文件地址 outfile:处理后生成的新文件的地址 def modification(infile, outfile):
infp = open(infile, "r",encoding=utf-8)
outfp = open(outfile, "w",encoding=utf-8)
lines = infp.readlines() #返回列表，服务器托管包含所有的行。
#依次读取每行
for li in lines:
if li.split(): #str.split(str="", num=string.count(str)),过滤文件中的空行
# 根据识别情况对数据进行清洗
li = li.replace([, ).replace(], )
outfp.writelines(li)
infp.close()
outfp.close()
运行结果生成一个新的txt文件，新文件删除了data.txt中的空行，将原文件中错误识别的内容替换成正确的。
writercsv(intxt,outcsv)
将文本文件按空格分列写入csv表格
intxt：文本文件地址 outcsv：新生成的csv文件def writercsv(intxt,outcsv):
# 使用newlines=可保证存储的数据不空行。
csvFile = open(outcsv, a,newline=, encoding=utf-8)
writer = csv.writer(csvFile)
csvRow = []
f = open(intxt,r,encoding=utf-8)
for line in f:
csvRow = line.split() #以空格为分隔符
if len(csvRow)>1 and len(csvRow)<=3: #约束条件，视情况而定
writer.writerow(csvRow)
f.close()
csvFile.close()
运行结果生成一个三列csv文件，第一列是英文名，第二列是中文名，第三列是所在国家
image-20211215204846623
image-20211215204941725
总结
通过本次学习实现了从扫描件中提取文字、把内容按要求写进不同格式的文档的需求。
最初以为提取pdf的库也适用于扫描件，尝试了Pdfplumber库和PyPDF2库。
实践发现Pdfplumber只能识别扫描件pdf中的水印，不适用于扫描件的pdf，而PyPDF2库运行报错：NotImplementedError: only algorithm code 1 and 2 are supported。
原因是香港云服务器这个被加密的pdf可能是从高版本的acrobot中来的，所以对应的加密算法代号为‘4’，然而，现有的pypdf2模块并只支持加密算法代号为‘1’或者‘2’的pdf加密文件。