当前位置：首页 > news >正文

批量提取PDF指定区域内容到 Excel , 根据PDF文件第一行文字来自动重命名v1.3-附思路和代码实现

news 来源：原创 2024/9/19 9:18:33

本次文章更新内容，图片以及扫描的PDF也可以支持批量提取指定区域内容了，主要是通过截图指定区域，然后使用OCR来识别该区域的文字来实现的，所以精度可能会有点不够，但是如果是数字的话，问题不大；所以最好还是纯电子版本的PDF文件提取效果最好。

需求1：假如我有一批数量比较多的同样格式的PDF电子文档，需要把特定多个区域的数字或者文字提取出来

需求2：我有一批PDF文档，但是文件的名称都是一些乱码，我需要根据PDF文件里面第一页内容的第一行的标题文字来批量重命名这些文件

说明：不适应场景：如果多个PDF文件的需要提取内容的区域的位置不一样，比如我要提取的数字在第一个PDF文件在（30，30）的坐标，结果在第二个文件变成了（35，35）这个坐标，那么软件就会无法很好的提取这个内容文本，所以这个代码的适用范围是多个PDF文档格式一致，并且需要提取的文本信息所在的PDF位置都基本一样的情况下适用。

思路1：我们任意选一个PDF文件作为样本，然后用代码把要提取的区域用方框标注出来，再然后把这些区域的坐标保存下来，后续批量处理每个PDF的时候，就根据保存的这些区域坐标来提取对应位置的文字或者数字

思路示意图：

最后的结果示意图：

这种思路的缺陷和需要注意的点：

1 需要每个批量处理的文件要提取的数据的位置都是一样的，比如第一个PDF文件需要提取的数字位于【100，100】这个坐标，那么后续每个文件需要提取的数字都要位于这个位置，如有变动，就会导致提取不到需要的数据，可以通过扩大区域的坐标范围来一定程度上的解决这个问题

2 如果提取的文字不齐全，说明可能框选的方框略微小了一点，我代码里面设置了一个单独增大某个区域的功能

需求2思路：一批PDF文档的名称都是一些乱码，我需要根据PDF文件里面第一页内容的标题来批量重命名这些文件，实际上很简单，就是解析PDF文件，然后获取第一行的内容，然后重命名该文件即可，这个代码不复杂，就没放在本页了。

代码：

from typing import Optional, Dict, Listfrom solapi.magic_eden.site_api.utils.consts import MEAPIUrls
from solapi.magic_eden.site_api.utils.data import collection_stats_cleaner, collection_info_cleaner, \collection_list_stats_cleaner
from solapi.magic_eden.site_api.utils.types import MECollectionStats, MECollectionInfo, MECollectionMetrics
from solapi.utils.api import BaseApiclass MagicEdenCollectionApi(BaseApi):def get_collection_stats_dirty(self, symbol: str) -> Optional[Dict]:url = f'{MEAPIUrls.COLLECTION_STATS}{symbol}'res = self._get_request(url)return res.get('results') if isinstance(res, dict) else Nonedef get_collection_info_dirty(self, symbol: str) -> Optional[Dict]:url = f'{MEAPIUrls.COLLECTION_INFO}{symbol}'res = self._get_request(url)return res if bool(res) else Nonedef get_collection_stats(self, symbol: str) -> Optional[MECollectionStats]:data = self.get_collection_stats_dirty(symbol)if data:return collection_stats_cleaner(data)def get_collection_info(self, symbol: str) -> Optional[MECollectionInfo]:data = self.get_collection_info_dirty(symbol)if data:return collection_info_cleaner(data)def get_collection_list_stats_dirty(self):url = MEAPIUrls.COLLECTION_LIST_STATSres = self._get_request(url)return res.get('results') if isinstance(res, dict) else Nonedef get_collection_list_stats(self) -> Optional[List[MECollectionMetrics]]:data = self.get_collection_list_stats_dirty()if data:return list(map(lambda x: collection_list_stats_cleaner(x), data))def get_collection_list_dirty(self):url = MEAPIUrls.COLLECTION_LISTres = self._get_request(url)return res.get('collections') if isinstance(res, dict) else Nonedef get_collection_list(self) -> Optional[List[MECollectionInfo]]:data = self.get_collection_list_dirty()if data:return list(map(lambda x: collection_info_cleaner(x), data))

代码下载链接：

链接：https://pan.baidu.com/s/1WQQ8kaDilaagjoK5IrYZzA

提取码：1111