起因
最近報了乙個pmp的培訓班，然後呢，給我的一些資料是pdf文件，且不可以複製，那麼，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，最後經過一番折騰，目的是達成了，但是安裝了乙個很大的工具，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，現在輕輕鬆鬆就做到了。
這個你值得了解一下，有免費的介面服務，做一些日常使用的小工具，足夠啦
註冊賬號登入，找到文字識別，建立乙個應用
然後找到檔案識別的sdk文件
sdk提供了各種語言的版本，但是我會優先選擇python，為什麼了？快啊！方便啊！
然後，就是直接上python**了，一般生成的檔名：
061416404698_0第五章模擬題專案範圍管理_1.jpeg
061416404698_0第五章模擬題專案範圍管理_2.jpeg
061416404698_0第五章模擬題專案範圍管理_10.jpeg
python遍歷資料夾之後得到的列表順序是這樣子的
['061416404698_0第五章模擬題專案範圍管理_1.jpeg','061416404698_0第五章模擬題專案範圍管理_10.jpeg','061416404698_0第五章模擬題專案範圍管理_2.jpeg']
所以，要對檔名做乙個排序
import os
from aip import aipocr
api_key = '換成你申請的api kye'
secret_key = '換成你申請的secret key'
words_fiilter = ['這裡例舉你要過濾掉的一些字元',]
""" 讀取 """
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("請輸入資料夾路徑：")
for root, dirs, files in os.walk(directory): # 開始遍歷檔案
# 遍歷檔案
# 將檔案重新排序
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)
""" 呼叫通用文字識別, 引數為本地 """
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 頁首 頁尾 和水印等資訊
continue
print(content)
with open("result.txt", 'a', encoding='utf-8') as f:
f.write(content+'\n')
C Word文件轉PDF的實現
private string adobepdfprint adobe pdf private string adobedisprint acrobat distiller private string regroot software adobe acrobat distiller private ...
使用pdfbox實現pdf轉image
使用soffice的命令把pdf轉image的話，預設只能轉一頁的，這個有點費勁，於是也不打算沿用soffice的方案了，改用pdfbox來實現。org.apache.pdfbox pdfbox 2.0.4 org.apache.pdfbox pdfbox tools 2.0.4 public st...
python檔案過濾，pdf轉swf
客戶發了乙個文字規範過來，是doc文件，我們要轉成swf，然後用flex 展示在網頁上。由於在轉換的過程中，檔案目錄包含 等特殊符號，導致pdf轉swf檔案失敗。因此想出乙個解決方案，就是把路徑包含 的檔案，移到乙個臨時目錄再轉swf，最後把swf放回源目錄。小工具採用python實現 import...