V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
SystemLight
V2EX  ›  程序员

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?

  •  
  •   SystemLight ·
    SystemLight · 2020-03-03 13:48:44 +08:00 · 2167 次点击
    这是一个创建于 1486 天前的主题,其中的信息可能已经有所发展或是发生改变。

    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

    pdf 格式

    10 条回复    2020-03-04 20:42:41 +08:00
    gracehunter
        1
    gracehunter  
       2020-03-03 14:35:23 +08:00
    pdfminer 试一下?
    zhzy
        2
    zhzy  
       2020-03-03 14:44:38 +08:00 via iPhone   ❤️ 1
    你需要的是 ocr 工具
    MaxTan
        3
    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
        4
    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
        5
    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
        6
    Kakus  
       2020-03-03 16:28:30 +08:00   ❤️ 1
    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
        7
    huruwo  
       2020-03-03 16:37:54 +08:00
    先切分 再识别
    Vegetable
        8
    Vegetable  
       2020-03-03 16:44:03 +08:00
    渲染成图片,剪裁,ocr
    zxcvsh
        9
    zxcvsh  
       2020-03-04 09:33:44 +08:00 via iPhone
    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
        10
    SystemLight  
    OP
       2020-03-04 20:42:41 +08:00
    @Kakus 感谢,按照您说的方法已经成功转换
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   1181 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 26ms · UTC 18:27 · PVG 02:27 · LAX 11:27 · JFK 14:27
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.