如何生成短链接,广西新站seo,ae做模板下载网站,wordpress分类门户主题目录 1、介绍
1.1、痛点
1.2、程序介绍
2、安装方式
2.1、#x1f53a;必要环节
2.2、脚本安装
2.2.1、不太推荐的方式
2.2.2、节约内存的方式
2.3、⭐完整版安装
3、使用
3.1、最终文件目录
3.2、主程序
3.2.1、绝对路径
3.2.2、是否为书籍
3.2.3、⭐截取区域 …目录 1、介绍
1.1、痛点
1.2、程序介绍
2、安装方式
2.1、必要环节
2.2、脚本安装
2.2.1、不太推荐的方式
2.2.2、节约内存的方式
2.3、⭐完整版安装
3、使用
3.1、最终文件目录
3.2、主程序
3.2.1、绝对路径
3.2.2、是否为书籍
3.2.3、⭐截取区域
3.2.4、⭐进程数
3.3、运行完成
3.4、保存路径
4、代码详解
4.1、思路
4.2、交互
4.3、提取图片
4.4、裁剪图片
4.5、删除不必要的内容
4.5、⭐OCR处理
4.5.1、处理裁剪后的图片
4.5.2、写入文件
5、⭐完整源代码 作者介绍双非本科大三网络工程专业在读阿里云专家博主专注于Java领域学习擅长web应用开发、数据结构和算法初步涉猎Python人工智能开发和前端开发。 主页逐梦苍穹 所属专栏项目 您的一键三连是我创作的最大动力 1、介绍 程序下载 链接https://pan.baidu.com/s/1kK1cBRwPMgnWBP2L43rs9Q?pwd1234 提取码1234 1.1、痛点
这是一个处理图片式PDF文件转换为可搜索的文字式word文档的程序该程序是为了解决如下痛点
①各软件的识别付费 ②网页在线转换有大小限制
③开源的程序识别准确率略有不足(这个是比较有名的开源软件umi-ocr准确率能达到百分之95) 1.2、程序介绍
这个程序最终是打包成了exe可执行程序(后面会详细讲解)没有做GUI图形化界面用户和程序的交互在命令行窗口执行。
这个项目涉及的技术点包括
文件操作使用Python的os和shutil模块进行文件夹和文件的创建、删除和操作。这些模块提供了对文件系统的访问和操作允许您在项目中进行文件和文件夹的管理。图像处理使用OpenCV和PIL库进行图像的裁剪、保存和处理。OpenCV是一个广泛用于计算机视觉任务的开源计算机视觉库而PILPython Imaging Library则提供了处理图像的基本功能例如打开、保存、裁剪和调整图像大小。PDF处理使用PyMuPDFfitz库进行PDF文档的处理和图像提取。PyMuPDF是一个用于处理PDF文件的Python库可以用于提取PDF中的文本、图像等内容并对PDF文档进行各种操作。并发编程使用Python的线程和线程池进行并发处理加快图像处理和OCR识别速度。线程和线程池允许程序在同一时间执行多个任务提高了程序的效率尤其在需要处理大量图像或进行OCR识别时尤为重要。OCR识别使用cnocr库进行中文OCR识别并将识别结果写入Word文档。cnocr是一个用于中文OCR识别的Python库能够对中文文本进行识别这对于处理包含中文的文档或图像非常有用。用户输入处理使用Python的input函数接收用户输入根据用户输入执行不同的处理逻辑。这样可以使程序更加灵活能够根据用户需求进行不同的操作。异常处理使用try-except结构进行异常处理确保程序在出现异常时能够正常处理并给出相应提示。这有助于提高程序的稳定性和可靠性尤其在处理文件和网络请求时非常重要。
这个项目主要用于将PDF文档中的图片提取出来并对提取的图片进行裁剪、OCR识别最后将识别结果写入Word文档。通过结合多种技术实现了从PDF文档到图像处理再到文本识别的全流程自动化。
2、安装方式
这个程序一共有两种安装方式。
无论哪种安装方式都是即装即用也就是说当年不需要的时候把这个程序所在的文件夹整个删除即可不会有残留。
需要的内容都存入百度网盘了。下载对应的zip压缩包解压即可。
OCR-program-transition-all.zip是完整版直接就可以用
OCR-program-transition-empty-bat.zip是脚本安装版需要用户按照指引来操作才可使用。
推荐使用完整版
2.1、必要环节
这个程序有两个依赖项需要手动安装(也在网盘内)。即 安装过程一路默认即可。
安装后 2.2、脚本安装
目录结构如下 2.2.1、不太推荐的方式
这个项目需要依赖到C的一些库根据报错信息是建议直接安装C编译器Visual Studio 虽然能做到完全解决这个报错但是很大的缺点是这玩意太大了……
2.2.2、节约内存的方式
这种方式能不能成功看点运气…
第一步先安装上文提到的两个exe文件
第二步运行“初始化脚本-1”文件
第三步运行“初始化脚本-2”文件此文件运行过程会非常久因为这是在该文件夹下面安装项目所需依赖环境。不出意外的话第三步安装到最后一个的时候会报错提示缺少C 14.0。
第四步此时需要点开上文提到的两个装好的程序右键选择修改 点击修复 然后重启。
第五步重启后重复第三步到第五步的操作(此时第三步的运行速度会很快了)连续操作超过三次就…建议直接下载完整版吧…这地方有点玄学不是百分百能解决…程序作者本人整了三天了程序就像捉摸不透的人一样有时成功有时失败
2.3、⭐完整版安装
完整版的目录即是下文的最终文件目录。完整版则非常简单下载-解压-运行主程序一气呵成。
请看下文分解。
3、使用
3.1、最终文件目录 3.2、主程序
找到主程序 双击运行按照交互窗口填写对应的内容(如果长时间没有响应请按一下空格键即可) 3.2.1、绝对路径
目标文档鼠标右键点击安全即可看见绝对路径 3.2.2、是否为书籍
作者认为如果是书籍的话最好把文档前面的封面目录以及末尾倒数几页的致谢内容去除以提高正确率和可阅读性。该程序不识别格式所以这样能最大化得到文字信息。
3.2.3、⭐截取区域
如果这是一个电子书的PDF文档为了识别文字的结果更加准确方便读者搜索查阅内容作者认为可以把每一页书的顶部区域的标注去掉例如这种区域 这种区域与正文内容无关可以去掉。
那么如何确定好去掉区域的所占比例呢下面细说
使用微信截图功能确定这个图片的“最大高度”再确定截取区域的“高度”二者相除即可得到比例图解如下 3.2.4、⭐进程数
进程数决定了这个多线程程序的执行速度但也不是数字填的越高越好。
下面给出几个数值参考
游戏本-20线程
全能本-10-18线程
轻薄本-建议12线程以下
3.3、运行完成
运行完成的结果显示转换后的文字列表内容提示信息 3.4、保存路径
程序运行完成后默认的保存路径为PDF文件的同目录下。
4、代码详解
4.1、思路
需求是图片式PDF识别转换为文字式可搜索word:
第一步告诉用户这个产品-介绍
第二步用户输入图片式PDF的路径(需要的是绝对路径)
第三步该PDF文档是否是书籍是删除非正文的页面(封面、目录、结尾)-在后续步骤执行删除否不执行删除操作
第四步询问是否需要截取图片区域(是输入截取的比例否截取比例制为0)-立即执行-提取到新的文件夹
第五步用户输入本次运行过程中用到的进程数(游戏本可以输入20全能本10-15其他建议10甚至是8以下)
第六步删除不要的图片区域
第七步开始处理把结果写入到PDF同路径下删除过程性文件
第八步删除过程性文件,把处理结果和处理后的文件路径告诉用户
4.2、交互 4.3、提取图片
提取图片式PDF文件的每一页保存到一个临时图片文件夹下面 4.4、裁剪图片 4.5、删除不必要的内容 4.5、⭐OCR处理 4.5.1、处理裁剪后的图片 4.5.2、写入文件 5、⭐完整源代码
代码即注释 # -*- coding: utf-8 -*-
# Author:逐梦苍穹
# Time: 2024/1/18 1:23
import os
import cv2
import fitz
import shutil
import GetImageWithPdf as getImage_xzl
import CutImageWithFolder as cutImage_xzl
import DeleteImage as deleteImage_xzl
import OCR_main as OCR_MAIN_xzl
import threading
from concurrent.futures import ThreadPoolExecutor, as_completed
from cnocr import CnOcr
from tqdm import tqdm
from PIL import Image
import write_word_OCR as write_word_OCR_xzl
from docx import Documentdef mkdir(folder_path):os.makedirs(folder_path, exist_okTrue)def get_max_folder_number(folder_path):image_files [f for f in os.listdir(folder_path) if f.lower().endswith((.png, .jpg, .jpeg, .gif, .bmp))]return len(image_files)def crop_top_and_save(args):i, image_path, output_path, crop_percentage argsimage cv2.imread(image_path)height image.shape[0]crop_pixels int(height * crop_percentage)cropped_image image[crop_pixels:, :]cv2.imwrite(output_path, cropped_image)print(fImage {i 1} cropped and saved: {output_path})def startCutImage(input_folder, output_folder, crop_percentage, max_workers_input):mkdir(output_folder)max_folder_number get_max_folder_number(input_folder)with ThreadPoolExecutor(max_workersmax_workers_input) as executor:args_list [(i, os.path.join(input_folder, f{i 1}.jpg), os.path.join(output_folder, f{i 1}.jpg), crop_percentage)for i in range(max_folder_number)]executor.map(crop_top_and_save, args_list)def get_max_folder_number(folder_path):image_files [f for f in os.listdir(folder_path) if f.lower().endswith((.png, .jpg, .jpeg, .gif, .bmp))]return len(image_files)def delete_images(folder_path, start_index, end_index):for i in range(start_index, end_index 1):imageStr str(i) .jpgfile_path os.path.join(folder_path, imageStr)os.remove(file_path)print(fDeleted: {file_path})def startDeleteImage(folder_path, end_index, back_start_index_input):max_folder_number get_max_folder_number(folder_path)if max_folder_number 0:start_index 1back_start_index max_folder_number - back_start_index_input 1back_end_index max_folder_numberdelete_images(folder_path, start_index, end_index)delete_images(folder_path, back_start_index, back_end_index)else:print(No valid image files found.)def convert_page_to_image(pdf_path, output_folder, page_number):pdf_document fitz.open(pdf_path)page pdf_document[page_number]image_list page.get_images(fullTrue)for img_index, img_info in enumerate(image_list):image_index img_info[0]base_image pdf_document.extract_image(image_index)image_bytes base_image[image]image_filename os.path.join(output_folder, f{page_number 1}.jpg)with open(image_filename, wb) as image_file:image_file.write(image_bytes)pdf_document.close()def pdf_to_images(pdf_path, output_folder, num_workers):if not os.path.exists(output_folder):os.makedirs(output_folder)pdf_document fitz.open(pdf_path)total_pages pdf_document.page_countwith ThreadPoolExecutor(max_workersnum_workers) as executor:futures [executor.submit(convert_page_to_image, pdf_path, output_folder, page_number)for page_number in range(total_pages)]for future in tqdm(futures, descConverting pages, totaltotal_pages):future.result()def get_max_folder_number(folder_path):image_files [f for f in os.listdir(folder_path) if f.lower().endswith((.png, .jpg, .jpeg, .gif, .bmp))]return len(image_files)def ocr_and_append(image_str, startList, event, lock):pagelist []image_number int(os.path.basename(image_str).split(.)[0])image Image.open(image_str)ocr CnOcr(debugFalse)res ocr.ocr(image)for j in range(len(res)):pagelist.append(res[j][text])with lock:startList[image_number - 11] pagelistprint(fImage {image_number} OCR completed.)event.set()def process_images_with_ocr(start, end, startList, event, max_workers_input, lock):with ThreadPoolExecutor(max_workersmax_workers_input) as executor:futures [executor.submit(ocr_and_append, foutput-image-cut/{i}.jpg, startList, event, lock) for i intqdm(range(start, end 1), descOCR Processing)]for future in as_completed(futures):future.result()def startOCR(file_folder, test_end_index, word_file_output_path, max_workers_input):max_folder_number get_max_folder_number(file_folder)start 1 test_end_indexend test_end_index max_folder_numberstartList [] * max_folder_numberlock threading.Lock()event threading.Event()process_images_with_ocr(start, end, startList, event, max_workers_input, lock)event.wait()print(len(startList))for i in startList:print(len(i))print(startList)write_word_OCR_xzl.startWriteWordFile(word_file_output_path, startList)def startWriteWordFile(word_file_path, listPages):doc Document()for i in listPages:write_list_to_word(word_file_path, i, doc)doc.add_page_break()doc.save(word_file_path)def write_list_to_word(word_file, my_list, doc):endList []for item in my_list:item item.strip()if len(item) 10:if endList ! None and len(endList) 0:doc.add_paragraph(.join(endList))endList []doc.add_paragraph(item)else:endList.append(item)if item my_list[-1]:doc.add_paragraph(.join(endList))endList []def main():try:crop_percentage 0.0end_index 0back_start_index_input 0print()print(这是一个OCR识别程序作者CSDN逐梦苍穹该程序不做商用请切记)print()pdf_file_path str(input(请输入PDF文件的绝对路径))print(该PDF文档是否是书籍?)isBookPdf int(input((是请输入1否请输入0):))if isBookPdf 1:print(输入要删除非正文的页面(封面、目录、结尾))end_index int(input(需要删除该文档的前几页: ))back_start_index_input int(input(需要删除该文档的倒数前几页: ))print(询问是否需要截取图片区域?)isCutImage int(input((是请输入1否请输入0):))if isCutImage 1:crop_percentage float(input(请输入截取图片区域的纵向比例))max_workers int(input(请输入本次运行过程中想要使用的进程数))if max_workers 0:max_workers 1except Exception as e:print(参数有误,报错信息如下, e)try:getImage_xzl.pdf_to_images(pdf_file_path, output-image, max_workers)if isCutImage 1:cutImage_xzl.startCutImage(output-image, output-image-cut, crop_percentage, max_workers)if isBookPdf 1:deleteImage_xzl.startDeleteImage(output-image-cut, end_index, back_start_index_input)file_name os.path.splitext(os.path.basename(pdf_file_path))[0]directory_path os.path.dirname(pdf_file_path)word_file_path directory_path \\ file_name (OCR_XZL).docxOCR_MAIN_xzl.startOCR(routput-image-cut, end_index, word_file_path, max_workers)except Exception as e:print(处理过程出错报错信息如下, e)try:delete_path_1 routput-imagedelete_path_2 routput-image-cutshutil.rmtree(delete_path_1)shutil.rmtree(delete_path_2)print(fFolder {delete_path_1} successfully removed.)print(fFolder {delete_path_2} successfully removed.)print(OCR处理完成)except Exception as e:print(删除过程性文件出错原因如下, e)if __name__ __main__:main()
