python PDF扫描/图片转word/txt，音乐百度api

txl1988

使用百度 ，识别图片文本这里要用到百度AI接口
需要的部分库
pip install baidu-aip
from aip import AipOcr
import fitz # pdf转为图片
pip install PyMuPDF -i https://pypi.tuna.tsinghua.edu.cn/simple
import docx # 将识别结果保存为docx文件
pip install python-docx -i https://pypi.tuna.tsinghua.edu.cn/simple


1、PDF文件转图片（按页转换）

1. # -*- coding: utf-8 -*-
   
2. """
   
3. Created on Mon Apr 25 13:54:57 2022
   
4. 
   
5. @author: HH
   
6. """
   
7. 
   
8. '''
   
9. 将PDF转化为图片
   
10. pdfPath pdf文件的路径
    
11. imgPath 图像要保存的路径
    
12. zoom_x x方向的缩放系数
    
13. zoom_y y方向的缩放系数
    
14. rotation_angle 旋转角度
    
15. zoom_x和zoom_y一般取相同值，值越大，图像分辨率越高
    
16. 返回目标pdf的名称和页数，便于下一步操作
    
17. 
    
18. '''
    
19. def pdf_image(pdfPath, imgPath, zoom_x=5, zoom_y=5, rotation_angle=0):
    
20.     # 获取pdf文件名称
    
21.     name = pdfPath.split("\")[-1].split('.pdf')[0]
    
22.     # 打开PDF文件
    
23.     pdf = fitz.open(pdfPath)
    
24.     # 获取pdf页数
    
25.     num = pdf.pageCount
    
26.     # 逐页读取PDF
    
27.     for pg in range(0, num):
    
28.         page = pdf[pg]
    
29.         # 设置缩放和旋转系数
    
30.         trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
    
31.         pm = page.getPixmap(matrix=trans, alpha=False)
    
32.         # 开始写图像
    
33.         pm.writePNG(imgPath + name + "_" + str(pg) + ".png")
    
34.     pdf.close()
    
35.     return name, num
    
36. 
    
37. import fitz
    
38. 
    
39. # pdf储存路径
    
40. pdfPath = r"D:\Desktop\识别\1.pdf"
    
41. # 图片和生成的docx文件的储存路径
    
42. imgPath = r"D:\Desktop\识别\picture2\"
    
43. pdf_image(pdfPath, imgPath)

复制代码

2.图片转text

1. #-*- coding = uft-8 -*-
   
2. #@Time : 2020/5/20 10:15 上午
   
3. #@Author : J哥
   
4. #@File : pic_to_text.py
   
5. 
   
6. """
   
7. 利用百度api实现图片文本识别
   
8. """
   
9. 
   
10. import glob  #文件名模式匹配，不用遍历整个目录判断每个文件是不是符合
    
11. import os  #操作文件的库
    
12. from os import path
    
13. from aip import AipOcr  #调取百度AI接口所需库
    
14. from PIL import Image   #处理图片的库
    
15. 
    
16. '''
    
17. picfile:原始图片路径
    
18. outdir：输出图片路径
    
19. '''
    
20. 
    
21. #调整原始图片
    
22. def convertimg(picfile, outdir):
    
23. 
    
24.     # 解决报错 cannot write mode RGBA as JPEG
    
25.     im = Image.open(picfile)
    
26.     rgb_im = im.convert('RGB')
    
27.     rgb_im.save(picfile)
    
28.    
    
29.     img = Image.open(picfile)
    
30.     width, height = img.size
    
31.     while (width * height > 4000000):  # 该数值压缩后的图片大约两百多k
    
32.         width = width // 2   # '//'表示整数除法，例5//2=2
    
33.         height = height // 2
    
34.     new_img = img.resize((width, height), Image.BILINEAR)   #重置图片大小和质量
    
35.     '''
    
36.     Image.NEAREST ：低质量；Image.BILINEAR：双线性；Image.BICUBIC ：三次样条插值；Image.ANTIALIAS：高质量
    
37.     '''
    
38.     new_img.save(path.join(outdir, os.path.basename(picfile))) #新图片保存在outdir即tmp目录下。os.path.basename(path)表示返回文件名。tmp/pic.jpg
    
39. 
    
40. 
    
41. # 利用百度api识别文本，并保存提取图片中的文字
    
42. def baiduOCR(picfile, outfile):
    
43.     filename = path.basename(picfile) #将图片路径赋值给filename
    
44. 
    
45.     APP_ID = 'xx'  # 刚才获取的 ID，自己申请
    
46.     API_KEY = 'xx'
    
47.     SECRECT_KEY = 'xx'
    
48.     client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
    
49. 
    
50.     i = open(picfile, 'rb') #以二进制只读方式打开文件
    
51. 
    
52.     '''
    
53.     "r" 以读方式打开，只能读文件 ， 如果文件不存在，会发生异常      
    
54.     "w"  以写方式打开，只能写文件， 如果文件不存在，创建该文件；如果文件已存在，先清空，再打开文件   
    
55.     "rb" 以二进制读方式打开，只能读文件 ， 如果文件不存在，会发生异常      
    
56.     "wb" 以二进制写方式打开，只能写文件， 如果文件不存在，创建该文件；如果文件已存在，先清空，再打开文件
    
57.     "a+": 附加读写方式打开
    
58.     '''
    
59. 
    
60.     img = i.read()  #读取图片
    
61.     print("正在识别图片：\t" + filename)
    
62. 
    
63.     '''
    
64.     \t表示缩进，相当于按一下Tab键
    
65.     \n表示换行，相当于按一下Enter键
    
66.     \n\t表示换行加缩进
    
67.     '''
    
68. 
    
69.     message = client.basicGeneral(img)  # 通用文字识别，每天50000次免费
    
70.     #message = client.basicAccurate(img)   # 通用文字高精度识别，每天500次免费
    
71.     print("识别成功！")
    
72.     i.close() #关闭文件
    
73. 
    
74. # 文本识别结果输出为txt
    
75.     with open(outfile, 'a+') as fo:
    
76.         fo.writelines("+" * 60 + '\n')   #分隔线，60个+表示
    
77.         fo.writelines("识别图片：\t" + filename + "\n" * 2)  #正在识别的图片名，并空两行
    
78.         fo.writelines("文本内容：\n")
    
79.         # 输出文本内容
    
80.         for text in message.get('words_result'):  #words_result识别结果数组，类型为array[]
    
81.             #print(text)
    
82.             fo.writelines(text.get('words') + '\n')  #words识别结果字符串
    
83.         fo.writelines('\n' * 2)
    
84.     print("文本导出成功！")
    
85. 
    
86. 
    
87. if __name__ == "__main__":
    
88. 
    
89.     outfile = 'export.txt'  #输出文件
    
90.     outdir = 'tmp'  #临时文件
    
91.     if path.exists(outfile):
    
92.         os.remove(outfile)  #如果输出文件已存在，删除
    
93.     if not path.exists(outdir):
    
94.         os.mkdir(outdir) #如果输出文件不存在，创建输出文件
    
95.     print("压缩过大的图片...")
    
96.     # 首先对过大的图片进行压缩，以提高识别速度，将压缩的图片保存到临时文件夹中
    
97.     for picfile in glob.glob("picture2/*"):  #遍历原始图片存放的文件夹
    
98.         convertimg(picfile, outdir)  #调整原始图片
    
99.     print("图片识别...")
    
100.     for picfile in glob.glob("tmp/*"):  #遍历调整后的图片存放的文件夹
     
101.         baiduOCR(picfile, outfile)  #识别图片文本
     
102.         os.remove(picfile)  #识别后删除图片
     
103.     print('图片文本提取结束！文本输出结果位于 %s 文件中。' % outfile)
     
104.     os.removedirs(outdir) #递归删除目录，即如果子文件夹成功删除, removedirs()才尝试它们的父文件夹
     

复制代码

3.图片形式的pdf转word

1. # -*- coding: utf-8 -*-
   
2. """
   
3. Created on Mon Apr 25 14:02:49 2022
   
4. 
   
5. @author: HH
   
6. """
   
7. 
   
8. import fitz # pdf转为图片
   
9. from aip import AipOcr # 图片文字识别
   
10. import time # 程序运行时间间隔以避免出错
    
11. import docx # 将识别结果保存为docx文件
    
12. from docx.oxml.ns import qn # 设置docx文件的字体
    
13. 
    
14. """ 你的 APPID AK SK """
    
15. APP_ID = 'xx'  # 刚才获取的 ID，下同
    
16. API_KEY = 'xx'
    
17. SECRECT_KEY = 'xx'
    
18. client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
    
19. 
    
20. 
    
21. '''
    
22. 将PDF转化为图片
    
23. pdfPath pdf文件的路径
    
24. imgPath 图像要保存的路径
    
25. zoom_x x方向的缩放系数
    
26. zoom_y y方向的缩放系数
    
27. rotation_angle 旋转角度
    
28. zoom_x和zoom_y一般取相同值，值越大，图像分辨率越高
    
29. 返回目标pdf的名称和页数，便于下一步操作
    
30. 
    
31. '''
    
32. def pdf_image(pdfPath, imgPath, zoom_x=5, zoom_y=5, rotation_angle=0):
    
33.     # 获取pdf文件名称
    
34.     name = pdfPath.split("\")[-1].split('.pdf')[0]
    
35.     # 打开PDF文件
    
36.     pdf = fitz.open(pdfPath)
    
37.     # 获取pdf页数
    
38.     num = pdf.pageCount
    
39.     # 逐页读取PDF
    
40.     for pg in range(0, num):
    
41.         page = pdf[pg]
    
42.         # 设置缩放和旋转系数
    
43.         trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)
    
44.         pm = page.getPixmap(matrix=trans, alpha=False)
    
45.         # 开始写图像
    
46.         pm.writePNG(imgPath + name + "_" + str(pg) + ".png")
    
47.     pdf.close()
    
48.     return name, num
    
49.    
    
50. '''
    
51. 将图片读取为docx文件
    
52. imgPath 图像所在路径
    
53. 生成的docx也保存在图像所在路径中
    
54. name为pdf名称（不含后缀）
    
55. num为pdf页数
    
56. name和num均可由上一个函数返回
    
57. 
    
58. '''
    
59. def ReadDetail_docx(imgPath, name, num):
    
60.     # 建立一个空doc文档
    
61.     doc = docx.Document()
    
62.     # 设置全局字体
    
63.     doc.styles["Normal"].font.name=u"宋体"
    
64.     doc.styles["Normal"]._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')
    
65.     # 读取图片
    
66.     for n in range(0,num):
    
67.         i = open(imgPath+name+"_"+str(n)+".png",'rb')
    
68.         time.sleep(0.1)
    
69.         img = i.read()
    
70.         message = client.basicGeneral(img)
    
71.         content = message.get('words_result')
    
72.         # 将内容写入doc文档
    
73.         for i in range(len(content)):
    
74.             doc.add_paragraph(content[i].get('words'))
    
75.     # 保存doc文档
    
76.     doc.save(imgPath + name + '.docx')
    
77.    
    
78.    
    
79. def pdf_to_docx(pdfPath, imgPath, zoom_x=5, zoom_y=5, rotation_angle=0):
    
80.     print("正在将pdf文件转换为图片...")
    
81.     # 调用函数一将pdf转换为图片，并获得文件名和页数
    
82.     name_, num_ = pdf_image(pdfPath, imgPath, zoom_x, zoom_y, rotation_angle)
    
83.     print("转换成功！")
    
84.     print("正在读取图片内容...")
    
85.     # 调用函数二逐页读取图片并逐行保存在docx文件中
    
86.     ReadDetail_docx(imgPath, name_, num_)
    
87.     print("名为 {}.pdf 的pdf文件共有{}页，已成功转换为docx文件！".format(name_, num_))
    
88.    
    
89. # pdf储存路径
    
90. pdf_path = r"D:\Desktop\识别\1.pdf"
    
91. # 图片和生成的docx文件的储存路径
    
92. img_path = r"D:\Desktop\识别\picture\"
    
93. # 调用函数
    
94. pdf_to_docx(pdf_path, img_path)

复制代码

myqf123

顶！