用python处理excel数据 python提取数据指定列

文章插图
本文分享一个基于 PDF 的 Python 办公自动化的案例解决，也是某位财务小姐姐提出的真实需求，先来看看需求。
需求描述在某个文件夹下有多个 PDF 类型发票
每一张发票 PDF 是纯图片类型，里面的文字信息无法手动复制（事实上大多数发票可以复制部分文字，但我们扔以图片形式来讲解），大致如下图所示：
需要满足的需求是：获取总金额、纳税人识别号、开票人，即如下三个方框位置：
最后结合批量操作，在获取上述信息后将其存储入 Excel 中！
思路与代码实现需求本质是一个图片识别问题，因为 PDF 里的内容是图片类型，无法按常规方法直接把文本抽提出来。解决思路是利用光学字符识别（OCR）将图片中的文字识别出。但同时也需要注意，PDF 毕竟不是图片，为了完成 OCR，除了OCR自身之外还要下载 Ghostscript 和 ImageMagick 用来完成类型转换。已 Windows 系统为例，需要在电脑上安装以下三个软件：
Ghostscript 32 位ImageMagick 32 位tesseract-OCR 32 位三个软件的下载安装没有特殊的地方（tesseract 配置稍复杂但网络有上诸多教程，这里不再赘述），读者可自行搜索下载及配置，下面讲解代码。首先导入需要的模块：
fromwand.imageimportImagefromPILimportImageasPIimportpyocrimportpyocr.buildersimportioimportreimportosimportshutil具体的模块用途可以参考下面具体代码。其中 wand 和 pyocr 由于是非标准库需要自行额外安装。打开命令行输入：
pipinstallwandpipinstallpyocr本需求还涉及对接 Excel，可考虑利用 openpyxl 库的 Workbook 用以创建新的 Excel 文件：
fromopenpyxlimportWorkbook需求中的发票.pdf 放在桌面上。可通过下面基于 os 模块的代码获取桌面路径：
#获取桌面路径包装成一个函数defGetDesktopPath():returnos.path.join(os.path.expanduser("~"),'Desktop')path=GetDesktopPath()+r'发票.pdf'获取配置好的 tesseract 便于后面调用：
tool=pyocr.get_available_tools()[0]通过 wand 模块将 PDF 文件转化为分辨率为 300 的 jpeg 图片形式：
image_pdf=Image(filename=path,resolution=300)image_jpeg=image_pdf.convert('jpeg')将图片解析为二进制矩阵：
image_lst=[]forimginimage_jpeg.sequence:img_page=Image(image=img)image_lst.append(img_page.make_blob('jpeg'))用 io 模块的 BytesIO 方法读取二进制内容为图片形式：
new_img=PI.open(io.BytesIO(image_lst[0]))new_img.show()接下来分别截取需要提取部位字符串的图片了，尽量让图片中只有需要识别的部分，获取识别出来容易简单处理获得需要的内容。
首先以总金额为例，截取图片用 image.crop((left, top, right, bottom)) 四个参数需要反复调试才能确定。经确定四个参数分别是 1600 760 1830 900，尝试截取和预览图片：
###解析1Z开头码left=350top=600right=1300bottom=730image_obj1=new_img.crop((left,top,right,bottom))image_obj1.show()截取成功后可以交给 OCR 了，代码为 tool.image_to_string()
txt1=tool.image_to_string(image_obj1)print(txt1)同样，通过方位的调试就可以准确切割到需要的部分进行识别：
left=560top=1260right=900bottom=1320image_obj2=new_img.crop((left,top,right,bottom))#image_obj2.show()txt2=tool.image_to_string(image_obj2)#print(txt2)最后是开票人的识别
left = 1420top = 1420right = 1700bottom = 1500image_obj3 = new_img.crop((left, top, right, bottom))# image_obj3.show()txt3 = tool.image_to_string(image_obj3)# print(txt3)
需要确认识别的内容是否正确，如果识别正确率欠佳可以考虑通过图片处理技术消除噪声，也可以去官网下载更高精度的训练包提高识别的正确性
至此，我们成功的识别了总金额、纳税人识别号、开票人三个消息，接下来就通过非常熟悉的 openpyxl 写入Excel，并使用 os 模块实现批量操作即可

以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!

「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：