起因
最近報了一個PMP的培訓班，然后呢，給我的一些資料是PDF文檔，且不可以復制，那么，我自己的學習整理的時候，就有點不方便，所以想把PDF中的文字提取出來。
猶記得還在讀書的時候，老師為了將PDF轉WORD讓我們找各種各樣的工具，最后經過一番折騰，目的是達成了，但是安裝了一個很大的工具，這工具還不好找，且是國外的，每次跑起來，我的電腦都呼呼的響，現在好啦，曾經想都不敢想的事情，現在輕輕松松就做到了。
百度AI開放平台
這個你值得了解一下，有免費的接口服務，做一些日常使用的小工具，足夠啦
- 注冊賬號登錄，找到文字識別，創建一個應用
-
創建應用之后，你分別會得到AppID，API Key，Secret Key這三個值
-
然后找到文件識別的SDK文檔
-
SDK提供了各種語言的版本，但是我會優先選擇Python，為什么了？快啊！方便啊！
pip install baidu-aip
-
看了SDK之后，你會發現它只支持識別圖片，莫慌，辦法我已經幫你想好了，直接訪問這個網址[戳我](看這個網址的后綴，應該是用.Net寫的)，就可以在線將PDF轉成圖片格式，比如Jpeg
-
然后，就是直接上Python代碼了，一般生成的圖片文件名：
061416404698_0第五章模擬題項目范圍管理_1.Jpeg
061416404698_0第五章模擬題項目范圍管理_2.Jpeg
061416404698_0第五章模擬題項目范圍管理_10.Jpeg
Python遍歷文件夾之后得到的列表順序是這樣子的
['061416404698_0第五章模擬題項目范圍管理_1.Jpeg','061416404698_0第五章模擬題項目范圍管理_10.Jpeg','061416404698_0第五章模擬題項目范圍管理_2.Jpeg']
所以，要對文件名做一個排序
import os
from aip import AipOcr
""" 你的 APPID AK SK """
APP_ID = '換成你申請的AppID'
API_KEY = '換成你申請的API Kye'
SECRET_KEY = '換成你申請的Secret Key'
words_fiilter = ['這里例舉你要過濾掉的一些字符',]
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
""" 讀取圖片 """
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
""" 刪除之前的識別結果 """
if os.path.exists("result.txt"):
os.remove("result.txt")
directory = input("請輸入文件夾路徑：")
for root, dirs, files in os.walk(directory): # 開始遍歷文件
# 遍歷文件
# 將文件重新排序
files.sort(key=lambda x: int(x.split('_')[2].split('.')[0]))
for f in files:
src = os.path.join(root, f)
image = get_file_content(src)
""" 調用通用文字識別, 圖片參數為本地圖片 """
result = client.basicGeneral(image)
words_result = result["words_result"]
for words in words_result:
content = words["words"]
if content in words_fiilter: # 過濾掉 頁眉 頁腳 和水印等信息
continue
print(content)
with open("result.txt", 'a', encoding='utf-8') as f:
f.write(content+'\n')
直接運行，輸入文件夾路徑，識別的內容會輸出到result.txt的文件中，搞定！