抓取信息如图所示,如产品名称:鸡蛋6枚装,以此类推,一一对应
5条回答 默认 最新
关注 引自免费微信小程序:皆我百晓生
要从扫描版PDF中提取文字,你需要使用OCR(光学字符识别)技术。Python中有几个库可以实现这个功能,比如
PyTesseract
(基于Tesseract OCR引擎)、PIL
(Python Imaging Library,用于处理图像)和PDFMiner
(用于解析PDF)。这里我们将使用PyTesseract
和PIL
进行操作。首先,确保你已经安装了所需的库和软件。运行以下命令安装它们:
pip install pytesseract pillow pdf2image tabula-py
然后,按照以下步骤操作:
- 将扫描版PDF转换为图片。
- 对每个图片应用OCR技术提取文本。
- 使用正则表达式解析提取出的数据。
- 存储结果到合适的数据结构(如字典)中。
以下是完整的示例代码:
import os import re from PIL import Image import pytesseract from pdf2image import convert_from_path import pandas as pd # 设置Tesseract OCR的路径,如果你的系统中没有默认配置 pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" def extract_text_from_pdf(pdf_path, output_folder): # 将PDF转换为图片 images = convert_from_path(pdf_path) text_data = [] for i, image in enumerate(images): img_file_name = f"{output_folder}/page_{i+1}.png" image.save(img_file_name) # 从图片中提取文本 text = pytesseract.image_to_string(Image.open(img_file_name), lang='eng') # 清理文本,删除不必要的换行符 cleaned_text = re.sub(r'\n+', '\n', text) text_data.append(cleaned_text) os.remove(img_file_name) # 删除临时图片文件,可根据需求选择是否保留 return text_data def parse_text(text_data): result = {} lines = [] line_buffer = [] for data in text_data: lines.extend(data.split('\n')) for line in lines: if "产品名称" in line: result["产品名称"] = get_next_line(lines, "产品名称") elif "等级" in line: result["等级"] = get_next_line(lines, "等级") elif "净重" in line: result["净重"] = get_next_line(lines, "净重") elif "单位" in line: result["单位"] = get_next_line(lines, "单位") elif "单价" in line: result["单价(含税)"] = get_next_line(lines, "单价(含税)") elif "数量" in line: result["数量"] = get_next_line(lines, "数量") elif "金额" in line: result["金额"] = get_next_line(lines, "金额") return result def get_next_line(lines, key): next_line = None for line in lines: if not next_line and line.strip(): next_line = line.strip() else: break return next_line def main(pdf_path): output_folder = "temp_images" os.makedirs(output_folder, exist_ok=True) text_data = extract_text_from_pdf(pdf_path, output_folder) parsed_data = parse_text(text_data) print(parsed_data) if __name__ == "__main__": main("your_pdf_file_path.pdf") # 替换为你的PDF文件路径
这段代码将提取PDF中的相关信息并打印出来。注意,由于OCR可能存在的错误,此方法可能不适用于所有类型的扫描文档。对于更复杂的情况,你可能需要使用更高级的布局分析工具,如
tabula-py
或专门针对表格数据的库。此外,你还可以尝试调整OCR参数以提高识别准确性。本回答被题主选为最佳回答 , 对您是否有帮助呢?解决 无用评论 打赏 举报 编辑记录
悬赏问题
- ¥15 VB.NET如何绘制倾斜的椭圆
- ¥15 在rhel8中安装qemu-kvm时遇到“cannot initialize crypto:unable to initialize gcrypt“报错”
- ¥15 arbotix没有/cmd_vel话题
- ¥15 paddle库安装时报错提示需要安装common、dual等库,安装了上面的库以后还是显示报错未安装,要怎么办呀?
- ¥20 找能定制Python脚本的
- ¥15 odoo17的分包重新供应路线如何设置?可从销售订单中实时直接触发采购订单或相关单据
- ¥15 用C语言怎么判断字符串的输入是否符合设定?
- ¥15 通信专业本科生论文选这两个哪个方向好研究呀
- ¥50 我在一个购物网站的排队系统排队,这个排队到号后重新定向到目标网站进行购物,但是有技术牛通过技术方法直接跳过排队系统进入目标网址购物,有没有什么软件或者脚本可以用
- ¥15 ios可以实现ymodem-1k协议 1024字节传输吗?