1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

import fitz # pdf转为图片

from aip import AipOcr # 图片文字识别

import time # 程序运行时间间隔以避免出错

import docx # 将识别结果保存为docx文件

from docx.oxml.ns import qn # 设置docx文件的字体

""" 你的 APPID AK SK """

APP_ID = 'xxxxxx'

API_KEY = 'xxxxxxxx'

SECRET_KEY = 'xxxxxxxxxxxxxxxxxxxxxxx'

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

'''

将PDF转化为图片

pdfPath pdf文件的路径

imgPath 图像要保存的路径

zoom_x x方向的缩放系数

zoom_y y方向的缩放系数

rotation_angle 旋转角度

zoom_x和zoom_y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

'''

def pdf_image(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0):

    # 获取pdf文件名称

    name = pdfPath.split("\\")[-1].split('.pdf')[0]

    # 打开PDF文件

    pdf = fitz.open(pdfPath)

    # 获取pdf页数

    num = pdf.pageCount

    # 逐页读取PDF

    for pg in range(0, num):

        page = pdf[pg]

        # 设置缩放和旋转系数

        trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotation_angle)

        pm = page.getPixmap(matrix=trans, alpha=False)

        # 开始写图像

        pm.writePNG(imgPath + name + "_" + str(pg) + ".png")

    pdf.close()

    return name, 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

'''

def ReadDetail_docx(imgPath, name, num):

    # 建立一个空doc文档

    doc = docx.Document()

    # 设置全局字体

    doc.styles["Normal"].font.name=u"宋体"

    doc.styles["Normal"]._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')

    # 读取图片

    for n in range(0,num):

        i = open(imgPath+name+"_"+str(n)+".png",'rb')

        time.sleep(0.1)

        img = i.read()

        message = client.basicAccurate(img)

        content = message.get('words_result')

        # 将内容写入doc文档

        for i in range(len(content)):

            doc.add_paragraph(content[i].get('words'))

    # 保存doc文档

    doc.save(imgPath + name + '.docx')

def pdf_to_docx(pdfPath, imgPath, zoom_x=10, zoom_y=10, rotation_angle=0):

    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_, num_ = pdf_image(pdfPath, imgPath, zoom_x, zoom_y, rotation_angle)

    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

   # ReadDetail_docx(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

pdf_path = "JRT 0197-2020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

img_path = r"G:\imges\\"

# 调用函数

pdf_to_docx(pdf_path, img_path)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

import pandas as pd

import numpy as np

import re

# 图片识别

from aip import AipOcr

# 时间模块

import time

# 网页获取

import requests

# 操作系统接口模块

import os

image_path = ''

# 获取文件夹中所有图片

def get_image():

    images = []  # 存储文件夹内所有文件的路径（包括子目录内的文件）

    for root, dirs, files in os.walk(image_path):

        path = [os.path.join(root, name) for name in files]

        images.extend(path)

    return images

def Image_Excel(APP_ID, API_KEY, SECRET_KEY):

    #  调用百度AI接口

    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

    # 循环遍历文件家中图片

    images = get_image()

    for image in images:

        # 以二进制方式打开图片

        img_open = open(image, 'rb')

        # 读取图片

        img_read = img_open.read()

        # 调用表格识别模块识别图片

        table = client.tableRecognitionAsync(img_read)

        # 获取请求ID

        request_id = table['result'][0]['request_id']

        # 获取表格处理结果

        result = client.getTableRecognitionResult(request_id)

        # 处理状态是“已完成”，获取下载地址

        while result['result']['ret_msg'] != '已完成':

            time.sleep(2)  # 暂停2秒再刷新

            result = client.getTableRecognitionResult(request_id)

        download_url = result['result']['result_data']

        print(download_url)

        # 获取表格数据

        excel_data = requests.get(download_url)

        # 根据图片名字命名表格名称

        xlsx_name = image.split(".")[0] + ".xlsx"

        # 新建excel文件

        xlsx = open(xlsx_name, 'wb')

        # 将数据写入excel文件并保存

        xlsx.write(excel_data.content)

if __name__ == '__main__':

    image_path = r"G:\imgs\\"

    APP_ID = 'xxxxxxxx'

    API_KEY = 'xxxxxxx'

    SECRET_KEY = 'xxxxxxxxxxxxxxxxxxxxxx'

    Image_Excel(APP_ID, API_KEY, SECRET_KEY)