pdf批量识别片段文字内容小工具

顺其自然1231

应用场景
某员工收到包含几百页的pdf文件，这几百页pdf文件格式都是一样的。
员工需要获取其中的一个送货单编号，根据这个送货单号匹配送货项目，
送货数量等等，且无法获取excel版本。
样本生成
为了不泄露公司机密，下面将使用百度公开的一个送货单模板生成pdf，来实现送货编号的获取。

假设要获取订单编号，且文件格式为pdf，测试版本共有4页，格式完全一样，但是编号不相同。


首先使用excel自带的pdf打印机生成pdf样本。

导出图片

• 打开pdf识别工具，选择文件，选择导出并切割
  

• 之后会生成一个“导出路径”文件夹，里面有导出的图片和切割的图片。
  

• 打开切割后文件夹，发现并没有订单编号的图片，这是因为需要你手动获取切割位置，
• 默认的切割位置是我帮女朋友做他们公司坑爹的pdf文件定位的，所以你在使用的时候需要手动定位
• 下面将使用网页版ps来获取切割位置
  

获取切割位置

• 打开网页版ps：https://www.uupoop.com/
• 上传刚刚导出的图片
• 使用矩形框工具，然后拉到“项目编号”所在单元格的左上角，记录一下长宽
  

• 左上角的点，高508,宽198
• 然后测试“项目编号”右下角的点所在位置
  

• 右下角的点，长715，宽239。记录下这两个坐标。
  

再次切割

• 和之前一样，重新打开工具，填入点(508,198)，(715, 239)
  

• 查看切割效果，目测还不错，可以作为下面的识别材料了。
  

获取百度AI文字识别api

• 搜索“百度AI开放平台”，点击控制台，注册登录
• 点击文字识别，选择创建应用，随便输入应用名和用途
  

• 点击管理应用，记录你的api相关信息。
  

• 填入pdf识别工具自动生成的api.json文件（可以右键，打开方式，记事本打开，推荐使用Notepad++）
  

• 填写好后保存，准备工作完成。
  

识别片段

• 点击“开始识别”即会自动识别刚刚切割生成的图片文件。
• 可以选择“普通识别”， “普通识别高精度版”， “识别数字”， “识别票据”
  

• 本次使用普通识别高精度版测试识别效果。
  

• 识别效果
  

目前准确率100%，没有出现错误。
软件及模板分享
python源码开源地址：https://github.com/Tlntin/pdf_tools
大致思路，利用fitz利用将pdf模块转png图片。
然后用pillow 的crop方法切割图片片段，
最后使用百度aip进行文字识别。

成品分享地址：https://ztjs.lanzouj.com/b00ti6wcd
密码:7ybn

liuyedao

我感觉百度表格调用没有腾讯好，你要不完了试试？申请腾讯优图的api看看

顺其自然1231

liuyedao 发表于 2020-5-1 16:44
我感觉百度表格调用没有腾讯好，你要不完了试试？申请腾讯优图的api看看

没用识别表格的方法，直接切出来的图片片段，然后识别文字，识别文字应该百度强一点。

liuyedao

顺其自然1231 发表于 2020-5-1 16:46
没用识别表格的方法，直接切出来的图片片段，然后识别文字，识别文字应该百度强一点。

嗯，没仔细看，我都锅，我看都是表格以为您是直接识别表格了

顺其自然1231

liuyedao 发表于 2020-5-1 16:47
嗯，没仔细看，我都锅，我看都是表格以为您是直接识别表格了

嗯嗯。没事。

rrxfw

很强大的感觉

lizhipei78

个人觉得意义不大，即使是同一模版下，位置亦会有稍微的偏差，你这个是靠软件精准位置，如果PDF文档稍微有点偏移，都会出错

顺其自然1231

lizhipei78 发表于 2020-5-1 18:18
个人觉得意义不大，即使是同一模版下，位置亦会有稍微的偏差，你这个是靠软件精准位置，如果PDF文档稍微有 ...

稍微偏移倒没事，主要能把那个单元格弄进去就可以了。

wang19940311

可以试一试  感谢

intel286

腾讯优图只能识别单张身份证，个人觉得意义不大