解放双手！Python提取PDF指定内容，并批量重命名文件！

作者：陈熹

本文转自：早起Python

本文将分享一个常见办公场景下的Python自动化案例，主要将涉及以下两个内容

  • Python提取图片型PDF内容
  • Python批量重命名文件

一、需求描述

有一个文件夹 货物清单 中含有多张货物清单的影印版 PDF，分别命名为 文件 (1).pdf 文件 (2).pdf ... 文件 (20).pdf，如下所示：

PDF 是纯图片类型，里面的文字信息无法手动复制，同时本例中所有的图片都向左旋转 90 度，大致如下图所示（马赛克部分为无关内容）：

我们需要做的是 「 获取图中红框部分 TRACKING# 以及 REF2 冒号后的字符串，用 & 连接后重命名这个 PDF 文件  」 ！

也就是需要根据每个PDF内容来批量重命名一大堆文件，最终效果如下

二、逻辑梳理与基础配置

本需求是一个批处理问题，即需要对诸多文件执行类型的操作，基本思路是先完成对一份文件的处理，然后借助 glob 模块获取指定路径所有符合要求的文件路径，执行批处理框架，固后面的操作先针对 文件 (1).pdf

需求中最大的难题在于，PDF 是图片类型，无法按常规方法提取文件。解决思路是利用光学字符识别（OCR）将图片中的文字识别出，然后进行后续操作，这里就涉及到一些先后顺序：

  1. 将图片向右旋转回正位
  2. 截取需要识别的部分图片
  3. 将截取的图片交给 OCR 获取字符串

为了完成 OCR，需要在电脑上安装三个软件：

  1. Ghostscript 32 位
  2. ImageMagick 32 位
  3. tesseract-OCR 32 位

三个软件的下载安装没有特殊的地方（tesseract 配置稍复杂但网络有上诸多教程，这里不再赘述），读者可自行搜索下载及配置

三、代码实现

首先导入需要的模块：

from wand.image import Image
from PIL import Image as PI
import pyocr
import pyocr.builders
import io
import glob
import re
import os
import shutil

具体的模块用途可以参考下面具体代码。其中 wand 和 pyocr 由于是非标准库需要自行额外安装。打开命令行输入：

pip install wandpip install pyocr

作为测试以及方便后面的实际运行，需求中的 货物清单 这一文件夹可以放在桌面上。为了获取其中的内容首先我们要明确桌面的路径。每个人每台电脑的桌面路径都不相同，如果直接复制当前电脑桌面的路径，更换电脑或者其他用户调试就需要额外修改。可通过下面基于 os 模块的代码获取桌面路径：

# 获取桌面路径包装成一个函数
def GetDesktopPath():
    return os.path.join(os.path.expanduser('~'), 'Desktop')

path = GetDesktopPath() + r'\货物清单' # 获取 货物清单 文件夹路径

获取配置好的 tesseract 便于后面调用：

tool = pyocr.get_available_tools()[0]

以 文件 (1).pdf 为例，通过 wand 模块将 PDF 文件转化为分辨率为 300 的 jpeg 图片形式：

image_pdf = Image(filename=path + r'\文件 (1).pdf', resolution=300)
image_jpeg = image_pdf.convert('jpeg')

将图片解析为二进制矩阵：

image_lst = []for img in image_jpeg.sequence:    img_page = Image(image=img)    image_lst.append(img_page.make_blob('jpeg'))

用 io 模块的 BytesIO 方法读取二进制内容为图片形式：

new_img = PI.open(io.BytesIO(image_lst[0]))

由于图片现在处于左旋 90 度的水平位，将其转为正位可以用 rotate() 方法，注意该方法是逆时针旋转，因此回正位需要逆时针旋转 270 度。完善上面的代码，并为 new_img.show() 预览图片：

new_img = PI.open(io.BytesIO(image_lst[0])).rotate(270)new_img.show()

弹出图片并恢复到了正位，接下来分别截取需要提取部位字符串的图片了，尽量让图片中只有需要识别的部分，获取识别出来容易简单处理获得需要的内容 截取图片用 image.crop((left, top, right, bottom))四个参数需要反复调试才能确定。首先提取 TRACKING# 部位需要的内容，经确定四个参数分别是 350 600 1350 730，尝试截取和预览图片：

### 解析1Z开头码
left = 350
top = 600
right = 1300
bottom = 730
image_obj1 = new_img.crop((left, top, right, bottom))
image_obj1.show()

截取成功后可以交给 OCR 了，代码为 tool.image_to_string()

txt1= tool.image_to_string(image_obj1)print(txt1)
5

通过正则提取红框内需要的内容：

req = 'TRACKING #: (.*)'
txt1_real = ''.join(re.findall(req, txt1)[0].split())
print(txt1_real)

用同样的办法也可以提取另一个红框的文字：

### 解析C开头码left = 205top = 1170right = 2450bottom = 1200image_obj2 = new_img.crop((left, top, right, bottom))txt2 = tool.image_to_string(image_obj2)req = 'C.\d+\d'txt2_real = re.findall(req, txt2)[0]

最后将两个字符串和 & 拼接为长字符串，然后通过 os.rename() 完成重命名文件的目的：

file_name = txt1_real + '&' + txt2_real
os.rename(path + r'\文件 (1).pdf', path + r'\{}.pdf'.format(file_name))

至此我们就完成了需求的一大步，接下来只需要借助 glob 模块遍历目标文件夹，对获取的每一个文件执行上面的操作即可，这样就将全部需求完成，所有的PDF均按照指定字段进行重命名

本文的分享就到这里，上面的 Python办公自动化 案例可以扩展到很多使用场景（核心为提取PDF指定内容+批量重命名），大家可以自己找一些文件测试学习，如果对你有所帮助可以给本文来一波三连～

赞 (0)

相关推荐