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,内容,PythonMagick,百度文字识别服务和pdfkit。
安装
安装python3.6略
安装内容
https://ghostscript.com/download/gsdnld.html
安装wkhtmltopdf
https://wkhtmltopdf.org/downloads.html
内容,
pip安装PyPDF2 baidu-aip, pdfkit
pip安装PyPDF2
pip安装内容
pip安装baidu-aip
pip安装pdfkit
pip安装PythonMagick
https://www.lfd.uci.edu/gohlke pythonlibs/
乳糜泻下载目录
pip安装PythonMagick& # 8209; 0.9.13& # 8209; cp36& # 8209; cp36m& # 8209; win_amd64.whl
pypdf2用于拆分和合并PDF
示例代码如下:
#导入PdfFileReader和PdfFileWriter
从进口PdfFileReader PyPDF2 PdfFileWriter
#获取一个pdf对象
pdf_input=PdfFileReader (open (r 'pdf路径,rb))
pdf页#获取数
page_count=pdf_input.getNumPages ()
#获取pdf第四页的内容
页面=pdf_input.getPage (3)
页面('/内容')
#获取一个pdfWriter对象
pdf_output=PdfFileWriter ()
#将一个PageObject加入到PdfFileWriter中
pdf_output.addPage(页面)
#把新pdf保存
pdf_output.write(打开(r '新pdf路径”、“白平衡”))
之前
PythonMagick用于将单页PDF转化为jpg
百度云——文字识别python SDK
每天有500次免费的识别
示例代码如下:
#导入baidu-aip
从aip进口AipOcr
# https://console.bce.baidu.com//索引/概述
#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=' & # 63; & # 63;
API_KEY=' & # 63; & # 63;
SECRET_KEY=' & # 63; & # 63;＇
#新建一个AipOcr
客户=AipOcr (APP_ID API_KEY SECRET_KEY)
#读取本地图片的函数
def get_file_content (filePath):
打开(filePath, rb)外交政策:
返回fp.read ()
#读取本地图片
形象=get_file_content (“p1.jpg”)
#可选参数
选择={}
选项(“language_type”)=" CHN_ENG "
选项(“detect_direction”)=" true "
选项(“detect_language”)=" true "
选项(“概率”)=" true "
#通用文字识别
客户端。basicGeneral(形象,选项)
#读取网络图片
url=" https://note.youdao.com/yws/public/resource/1577071c1ffa2b6bf4e238ef6dbcfbf5/xmlnote/E5A19BEDFEBA4879B217C5BBF53B0245/22138 "
#可选参数
选择={}
选项(“language_type”)=" CHN_ENG "
选项(“detect_direction”)=" true "
选项(“detect_language”)=" true "
选项(“概率”)=" true "
#通用文字识别
客户端。basicGeneralUrl (url选项)
#读取本地表格图片的函数
def get_file_content (filePath):
打开(filePath, rb)外交政策:
返回fp.read ()
#读取本地表格图片
形象=get_file_content (“p2.jpg”)
#可选参数
选择={}
选项(“language_type”)=" CHN_ENG "
选项(“detect_direction”)=" true "
选项(“detect_language”)=" true "
选项(“概率”)=" true "
#通用文字识别
客户端。basicGeneral(形象,选项)
#读取表格分割效果较差!
之前
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安装位置设置的
pdfkit_config=pdfkit。配置(wkhtmltopdf=path_wk)
# pdfkit参数
pdfkit_options={“编码”:“utf - 8”,}
#制作PDF
pdfkit.from_string((“字符串”),“D: \ test.pdf”,配置=pdfkit_config选项=pdfkit_options)
之前
完整代码如下
#导入所需包
# os,操作文件和路径
进口操作系统
#内容,代码简化
导入内容
# pypdf2,拆分pdf
从进口PdfFileReader PyPDF2 PdfFileWriter
# PythonMagick,单页PDF转图片
从PythonMagick导入图像
# baidu-aip,百度文字识别
从aip进口AipOcr
# pdfkit,字符串制作PDF
进口pdfkit
#参数
路径=' & # 63;& # 63;
pdfname=' & # 63; & # 63;
DPI=' 85 '
# https://console.bce.baidu.com//索引/概述
#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=' & # 63; & # 63;
API_KEY=' & # 63; & # 63;
SECRET_KEY=' & # 63; & # 63;＇
# pdfkit安装位置设置
path_wk=r 'pdfkit安装位置设置的
pdfkit_config=pdfkit。配置(wkhtmltopdf=path_wk)
# pdfkit参数
pdfkit_options={“编码”:“utf - 8”,}
# PDF转化为图片
os.chdir(路径)
pdf_input=PdfFileReader(打开(pdfname rb))
PDF页#自动获取数
page_count=pdf_input.getNumPages ()
page_range=范围(page_count)
#也可以手工指定PDF需要转换的页数
# page_range=范围(0100)
#使用PyPDF和内容
#==超级好,用超级直观,超级短==在page_range page_num:
我=图像()
im.density (DPI)
即时通讯。读(pdfname + ' (' + str (page_num) + ') ')
im.write (str (page_num) + . jpg)
#图片转化为字符串
#新建一个AipOcr
客户=AipOcr (APP_ID API_KEY SECRET_KEY)
#读取本地图片的函数
def get_file_content (filePath):
打开(filePath, rb)外交政策:
返回fp.read ()
#可选参数
选择={}
选项(“language_type”)=" CHN_ENG "
选项(“detect_direction”)=" false "
选项(“detect_language”)=" false "
选项(“概率”)=" false "
allteststr=[]
在page_range page_num:
#读取本地图片
形象=get_file_content (r ' % s \ % s.jpg ' %(路径,page_num))
#通用文字识别,得到的是一个东西
testjson=客户。basicGeneral(形象,选项)
teststr="
在testjson x [' words_result ']:
teststr=teststr + x['文字']+ & lt;/br>”
allteststr.append (teststr)
#字符串写入PDF
在page_range page_num:
pdfkit.from_string (allteststr [page_num]), % s.pdf ' % (str (page_num)),配置=pdfkit_config选项=pdfkit_options)
#合并单页PDF
pdf_output=PdfFileWriter ()
在page_range page_num:
os.chdir(路径)
pdf_input=PdfFileReader(开放(' % s。pdf的% (str (page_num)), rb '))
页面=pdf_input.getPage (0)
pdf_output.addPage(页面)
pdf_output.write(打开(“newpdf.pdf”,“世界银行”))
