通过 Python 有什么办法可以把一个 pdf 文件提取成一个规律的表格么？

2020-03-03 13:48:44 +08:00
 SystemLight

说明：

  1. pdf 中含有图片，需要将图片中的内容识别出来
  2. pdf 格式如下，每一个条码构成一行，每一行有四列包含图中的四个数据，有什么办法提取出来么

2202 次点击
所在节点    程序员
10 条回复
gracehunter
2020-03-03 14:35:23 +08:00
pdfminer 试一下？
zhzy
2020-03-03 14:44:38 +08:00
你需要的是 ocr 工具
MaxTan
2020-03-03 14:57:18 +08:00
以前做过类似的，解析出来得到很多都是文本或者 html 的； 如果解析后拿到还是图片那只能做图像识别
ipwx
2020-03-03 15:03:17 +08:00
先切图。你这内容这么规整，切入很容易啊。然后上 OCR 呗。
NaVient
2020-03-03 15:06:41 +08:00
这种这么规整的数字和英文 用光学 OCR 很容易就识别出来了，主要的问题就是好好切图，如果一列的长度固定，PDF 大小固定 连切图都不是问题了
Kakus
2020-03-03 16:28:30 +08:00
最近试用了百度 AI 的文字识别，识别率挺高。有个自定义模板识别功能，选中目标区域就可以识别了。但是你这个图上没有固定内容作参照字段，可以切片后加上参照再调用模板识别。👉https://ai.baidu.com/ai-doc/OCR/nk3h7y8y8
huruwo
2020-03-03 16:37:54 +08:00
先切分 再识别
Vegetable
2020-03-03 16:44:03 +08:00
渲染成图片，剪裁，ocr
zxcvsh
2020-03-04 09:33:44 +08:00
分割图片 + OCR
百度搜索“二维码识别”，有很多解决方案，你这些待识别字很清晰而且没有躁点
另外楼上说的 “百度提供的 OCR 服务”也可以看看，之前用的时候，免费解析次数挺多的
SystemLight
2020-03-04 20:42:41 +08:00
@Kakus 感谢，按照您说的方法已经成功转换

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/649400

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX