Python实现PDF扫描件生成DOCX或EXCEL功能

　　1。问题描述
　　应项目需求需要获取PDF扫描文件的内容，但寻遍整个网络能达到这种功能的产品，都要会员充值。苦于囊中羞涩也只好编写功能代码来实现了。
　　如PDF中表格图片图1效果生成图2
　　2。实现流程
　　整个步骤为：读取PDF文件生成图片ORC获取图片内容写入Excel
　　3。功能代码3。1pdf转为图片importfitzpdf转为图片fromaipimportAipOcr图片文字识别importtime程序运行时间间隔以避免出错importdocx将识别结果保存为docx文件fromdocx。oxml。nsimportqn设置docx文件的字体你的APPIDAKSKAPPIDxxxxxxAPIKEYxxxxxxxxSECRETKEYxxxxxxxxxxxxxxxxxxxxxxxclientAipOcr（APPID，APIKEY，SECRETKEY）将PDF转化为图片pdfPathpdf文件的路径imgPath图像要保存的路径zoomxx方向的缩放系数zoomyy方向的缩放系数rotationangle旋转角度zoomx和zoomy一般取相同值，值越大，图像分辨率越高返回目标pdf的名称和页数，便于下一步操作defpdfimage（pdfPath，imgPath，zoomx10，zoomy10，rotationangle0）：获取pdf文件名称namepdfPath。split（）〔1〕。split（。pdf）〔0〕打开PDF文件pdffitz。open（pdfPath）获取pdf页数numpdf。pageCount逐页读取PDFforpginrange（0，num）：pagepdf〔pg〕设置缩放和旋转系数transfitz。Matrix（zoomx，zoomy）。preRotate（rotationangle）pmpage。getPixmap（matrixtrans，alphaFalse）开始写图像pm。writePNG（imgPathnamestr（pg）。png）pdf。close（）returnname，num将图片读取为docx文件imgPath图像所在路径生成的docx也保存在图像所在路径中name为pdf名称（不含后缀）num为pdf页数name和num均可由上一个函数返回defReadDetaildocx（imgPath，name，num）：建立一个空doc文档docdocx。Document（）设置全局字体doc。styles〔Normal〕。font。nameu宋体doc。styles〔Normal〕。element。rPr。rFonts。set（qn（w：eastAsia），u宋体）读取图片forninrange（0，num）：iopen（imgPathnamestr（n）。png，rb）time。sleep（0。1）imgi。read（）messageclient。basicAccurate（img）contentmessage。get（wordsresult）将内容写入doc文档foriinrange（len（content））：doc。addparagraph（content〔i〕。get（words））保存doc文档doc。save（imgPathname。docx）defpdftodocx（pdfPath，imgPath，zoomx10，zoomy10，rotationangle0）：print（正在将pdf文件转换为图片。。。）调用函数一将pdf转换为图片，并获得文件名和页数name，numpdfimage（pdfPath，imgPath，zoomx，zoomy，rotationangle）print（转换成功！）print（正在读取图片内容。。。）调用函数二逐页读取图片并逐行保存在docx文件中ReadDetaildocx（imgPath，name，num）print（名为｛｝。pdf的pdf文件共有｛｝页，已成功转换为docx文件！。format（name，num））pdf储存路径pdfpathJRT01972020金融数据安全数据安全分级指南。pdf图片和生成的docx文件的储存路径imgpathrG：imges调用函数pdftodocx（pdfpath，imgpath）3。2表格图片文字识别到excelimportpandasaspdimportnumpyasnpimportre图片识别fromaipimportAipOcr时间模块importtime网页获取importrequests操作系统接口模块importosimagepath获取文件夹中所有图片defgetimage（）：images〔〕存储文件夹内所有文件的路径（包括子目录内的文件）forroot，dirs，filesinos。walk（imagepath）：path〔os。path。join（root，name）fornameinfiles〕images。extend（path）returnimagesdefImageExcel（APPID，APIKEY，SECRETKEY）：调用百度AI接口clientAipOcr（APPID，APIKEY，SECRETKEY）循环遍历文件家中图片imagesgetimage（）forimageinimages：以二进制方式打开图片imgopenopen（image，rb）读取图片imgreadimgopen。read（）调用表格识别模块识别图片tableclient。tableRecognitionAsync（imgread）获取请求IDrequestidtable〔result〕〔0〕〔requestid〕获取表格处理结果resultclient。getTableRecognitionResult（requestid）处理状态是已完成，获取下载地址whileresult〔result〕〔retmsg〕！已完成：time。sleep（2）暂停2秒再刷新resultclient。getTableRecognitionResult（requestid）downloadurlresult〔result〕〔resultdata〕print（downloadurl）获取表格数据exceldatarequests。get（downloadurl）根据图片名字命名表格名称xlsxnameimage。split（。）〔0〕。xlsx新建excel文件xlsxopen（xlsxname，wb）将数据写入excel文件并保存xlsx。write（exceldata。content）ifnamemain：imagepathrG：imgsAPPIDxxxxxxxxAPIKEYxxxxxxxSECRETKEYxxxxxxxxxxxxxxxxxxxxxxImageExcel（APPID，APIKEY，SECRETKEY）4。案例说明
　　我这里是获取JRT01972020金融数据安全数据安全分级指南。pdf扫描文件，将内部表格数据写入到excel文件。