使用 python 將 pdf 文件轉換為 excel 與表中的圖像

Question

我需要轉換的 pdf 文件將在表格中包含圖像。 我想將 pdf 表格中的文本和圖像轉換為 excel。 請為我推薦合適的庫。

Answer 1

您需要編寫一個腳本來讀取和檢測字符和 excel 單元格。 你可以用 open-cv 和內置的字符識別工具來做到這一點，但我不知道它有多容易。 我能想到的另一種方法是制作一個 ML model，它將從圖像中識別 excel 表。 不過這真的很難，需要很多經驗。

Answer 2

您可以使用PikePDF從 pdf 中提取圖像：

from pikepdf import Pdf, PdfImage

filename = "sample.pdf"
example = Pdf.open(filename)

for i, page in enumerate(example.pages):
    for j, (name, raw_image) in enumerate(page.images.items()):
        image = PdfImage(raw_image)
        out = image.extract_to(fileprefix=f"{filename}-page{i:03}-img{j:03}")

提取圖像后，您可以使用OCR將圖像轉換為表格