怎么利用python 抓取扫描版pdf中的信息

Question

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

Answer 1

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：

1. 将扫描版PDF转换为图片。
2. 对每个图片应用OCR技术提取文本。
3. 使用正则表达式解析提取出的数据。
4. 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。