前言
扫描件一直受大众青睐，任何纸质资料在扫描之后进行存档，想使用时手机就能打开，省心省力。但是扫描件的优点也恰恰造成了它的一个缺点，因为是通过电子设备扫描，所以出来的是图像，如果想要处理文件上的内容，直接操作是无法实现的。那要是想要引用其中的内容怎么办呢？别担心，Python帮你解决问题。
目录
前言
需求描述
分析
代码
tess_ocr(pdf_path, lang,first_page,last_page)
writercsv(intxt,outcsv)
compare_file(file1,file2,file3)
总结
需求描述
现有一份pdf扫描件，我们想把其中的文字提取出来并且分三列写入csv文档，内容及效果如下：
分析
pdf扫描件是文档扫描成电脑图片格式后转化成pdf,提取其中的文字就相当于识别图片内的文字。所以，我们的工作就是将pdf转成图片，再用ocr工具提取图片中的文字。
代码
首先导入需要用到的第三方库
import os//处理文件
from pdf2image import convert_from_path //pdf转图片
import pytesseract//识别图片文字
import csv //处理csv文件tess_ocr(pdf_path, lang,first_page,last_page)
将pdf文件拆分成图片，并提取文字写入文本文件
pdf_path： pdf文件的存储路径
image： 代表PDF文档每页的PIL图像列表
first_page ：允许设置由pdftoppm处理的第一个页面；
last_page：允许设置最后一页由pdftoppm处理
fmt：允许指定输出格式。目前支持的格式是jpg、png和ppm；
output_folder：图片保存路径
def tess_ocr(pdf_path, lang,first_page,last_page):
# 创建一个和pdf同名的文件夹images = convert_from_path(pdf_path, fmt='png',first_page=first_page,last_page=last_page,output_folder=imagefolder,userpw='site') # 转成图片
text = ''
for img in images: text += pytesseract.image_to_string(img, lang=lang) # 识别图片文字 with open(r'C:\Users\31678\Desktop\example\data.txt' 'a', encoding='utf-8') as f: #写入txt文件f.write(text) 运行结果
生成一个同名的文件夹存放拆分的图片，接着提取图片文字写入data.txt
运行问题
问题抛出：pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH?
解决措施：下载 poppler。
方法一：设置环境变量 poppler/bin；
方法二：参数指定绝对路径：images = convert_from_path(pdf_path=pdf_file_path, poppler_path=r'poppler中bin文件所在地址')
问题抛出：pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for
more information.
解决措施：额外下载安装tesseract-ocr并配置环境变量。
modification(infile, outfile):清洗生成的文本文档
infile:需要进行处理的文件地址
outfile:处理后生成的新文件的地址
def modification(infile, outfile):
infp = open(infile, "r",encoding='utf-8')
outfp = open(outfile, "w",encoding='utf-8')
lines = infp.readlines() #返回列表，包含所有的行。
#依次读取每行
for li in lines:
if li.split(): #str.split(str="", num=string.count(str)),过滤文件中的空行 li=li.replace('[',' ') #根据识别情况对数据进行清洗 outfp.writelines(li)
infp.close()
outfp.close() 运行结果
生成一个新的txt文件，新文件删除了data.txt中的空行，将原文件中错误识别的内容替换成正确的。
writercsv(intxt,outcsv)
将文本文件按空格分列写入csv表格
intxt：文本文件地址
outcsv：新生成的csv文件
def writercsv(intxt,outcsv):
csvFile = open(outcsv,'a',newline='',encoding='utf-8') # 使用newlines=''可保证存储的数据不空行。
writer = csv.writer(csvFile)
csvRow = []
f = open(intxt,'r',encoding='utf-8')
for line in f:
csvRow = line.split() #以空格为分隔符if len(csvRow)>1 and len(csvRow)<=3: #约束条件，视情况而定writer.writerow(csvRow)
f.close()
csvFile.close()运行结果：生成一个三列csv文件，第一列是英文名，第二列是中文名，第三列是所在国家
compare_file(file1,file2,file3)
提取出的csv与原csv进行对比，将内容错误的行写入file3,同时附赠错误提示
file1：提取出的csv
file2：原csv
file3：有误内容
def compare_file(file1,file2,file3):
#定义空列表来存放两个文件的对应行engname1,engname2，country1,country2，chiname1,chiname2
#字符串存放对比会出现的错误情况engnameerror，countryerror，chinameeeror
#open打开提取的文件 别名f1，f2
#readlines()读取文件中的每一行 存放在fileone，filetwo
#将fileone中的每一列分离出来，添加进列表中
for row in fileone:
engname1.append(row.split(',')[0]) try:country1.append(row.split(',')[1])chiname1.append(row.split(',')[2])except IndexError : #可能会出现索引越界country1.append(' ') chiname1.append(' ')
#同理将filetwo中的每一列分离出来，添加进列表中#打开file3#循环第一列的单元格for cell in engname1: #比较文件中的第一列，若fileone中的第一列中的元素不在filetwo的第一列的对应行中，将这一行写进file3中if cell not in engname2: csvrow=fileone[engname1.index(cell)]+engnameerrorwriter.writerow(csvrow.split(','))
#若第一列在，则比较第二列，若fileone中的第二列中的元素不在filetwo的第二列对应行中，将这一行写进file3中
#若第一列，第二列都对应，则比较第三列，若fileone中的第三列中的元素不在filetwo的第三列对应行中，将这一行写进file3中
#关闭文件运行结果
有误的行写入different.csv，同时在行尾显示错误信息
运行问题
问题抛出：UnicodeDecodeError: 'utf8' codec can't decode byte 0xa4 in position
解决措施：先将文件另存为csv，再用记事本打开，点击文件->另存为,在最下方修改编码方式
总结
通过本次学习实现了从扫描件中提取文字、把内容按要求写进不同格式的文档的需求，最后还完成了与原文件的对比。最初以为提取pdf的库也适用于扫描件，尝试了Pdfplumber库和PyPDF2库。实践发现Pdfplumber只能识别扫描件pdf中的水印，不适用于扫描件的pdf，而PyPDF2库运行报错：NotImplementedError: only algorithm code 1 and 2 are supported。原因是这个被加密的pdf可能是从高版本的acrobot中来的，所以对应的加密算法代号为‘4’，然而，现有的pypdf2模块并只支持加密算法代号为‘1’或者‘2’的pdf加密文件。
