python 区域截图_Python截图PDF,在指定区域并提取文本

644341e43b330aab3d74ee0df8a98af9.png

作者:小小明,「快学Pthon」专栏作者

先说需求:PDF文件结构都一致,对于下图红框区域截图并提取文本

python 区域截图_Python截图PDF,在指定区域并提取文本_第1张图片

测试pdfplumber库

先试用一下pdfplumber看看能否提取出文本

import pdfplumber

with pdfplumber.open("测试文档.pdf") as p:

page = p.pages[0]

print(page.extract_text())

运行结果:

Date of Test : 2020-11-05 R

Test Engineer : ? e

s

KAYSER-THREDE Contact Name : WX u

l

00 EVAluation Version: 2.1.7 sample.def ta

1 n

t

0

8

Z0

Y, 6

X,

g] 40 1

n [ . P

o

ati20 ag

r

e e

cel  o

ac0 f J

071H 7

-20 .0; Vo = 15 / 2020-11HEAD00ead Acce 822-75

0-40 3.889 m1-0500E2ACleration -HFC

1080 /s; M = 11 RA / CFC SP 1 Res A_202

g]60 60 kg 1000ultant 0_11_

t [ 0

n 5

ulta40  13

s

e _

r0 2

2 5

00

0 F

-200 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 rid

a

time [ms] y

, 6

.1

A1

Analysis Interval:  0 - 1000 [ms] naly.202

Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g s0

cHoICn t=.  A330m7 (s5(55.64. 6-1 6 -6 .539 m.61s )m; Hs)IC =3 665 =.7 340 g7; ( c5u5.m4 .- A 636m.3s m =s 7);0 H.1I8C g15 = 307 (55.4 - 66.3 ms) is: IA  11:2

T3

试用后发现,pdfplumber提取对这种存在旋转文字的pdf文字提取效果非常糟糕,即使是正常顺序的位置,也出现了交错现象。

通过PyMuPDF实现区域截图和区域文字提取

官方文档:https://pymupdf.readthedocs.io/en/latest/index.html

Github:https://github.com/pymupdf/PyMuPDF

安装:

pip install pymupdf

截图

先测试截取左下角的部分:

from IPython.display import oc = fitz.open("测试文档.pdf")

page = pdfDoc[0]

mat = fitz.Matrix(1, 1)  # 1.5表示放大1.5倍

rect = page.rect

clip = fitz.Rect(0, 0.87*rect.height,

rect.width*0.8, rect.height)

pix = page.getPixmap(matrix=mat, alpha=False, clip=clip)

display(https://img-blog.csdnimg.cn/img_convert/4d9085e91f5bebc9cd34e7a25e3377fe.png)

- fitz.Matrix\(1, 1\)的两个参数表示宽度和高度的放大系数,上面的截的图较小可以通过该参数放大

- fitz.Rect有好几种坐标模式,我选择了\(x0, y0, x1, y1\)这种坐标模式来定位要截取的区域

- page.getPixmap传入放大系数和区域即可获取图片对象,可直接获取图片的数据也可以写入到文件保存起来

再测试截取右上角部分:

```python

clip = fitz.Rect(0.8*rect.width, 0.27*rect.height,

rect.width*0.9, rect.height)

pix = page.getPixmap(matrix=mat.preRotate(-90), alpha=False, clip=clip)

display(https://img-blog.csdnimg.cn/img_convert/a759983bd8b9da691e1572f310b673c8.png)

mat.preRotate\(-90\)实现了截取区域逆时针旋转90度。

保存图片很简单,只需调用write.write# 文字提取

通过fitz.Rect要提取文字的区域即可:

```python

a_text = page.getText(clip=clip)

print(a_text)

1. Page of J7822-75-HFCA_2020_11_05 13_25

Head Acceleration SP 1 Resultant

11HEAD0000E2ACRA / CFC1000

75 / 2020-11-05

0.0; Vo = 13.889 m/s; M = 1160 kg

Friday, 6.11.2020  11:23

Analysis: IAT

这段文本提取的效果还不错!

再测试一下左下角部分:

07958894b2b917e89bca7aaf0c7ec5fe.png

clip = fitz.Rect(0, 0.87*rect.height,

rect.width*0.8, rect.height)

b_text = page.getText(clip=clip)

print(b_text)

Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g

cont. A3ms(56.61 - 59.61 ms) = 65.74 g; cum. A3ms = 70.18 g

HIC = 307 (55.4 - 66.3 ms); HIC36 = 307 (55.4 - 66.3 ms); HIC15 = 307 (55.4 - 66.3 ms)

Analysis Interval:  0 - 1000 [ms]

文本行顺序处理

文字的行顺序似乎与原始图片的文本顺序不一致。不过我们可以借助pandas自定义排序,还原到一致的顺序。

import pandas as pd

tmp = pd.DataFrame(b_text.splitlines(), columns=["a"])

tmp["b"] = (tmp.a.str[:2]).astype("category")

tmp.b.cat.set_categories(

['An', 're', 'vi', 'Ma', 'co', 'VC', 'ES'], inplace=True)

tmp.sort_values('b', inplace=True)

b_text = '\n'.join(tmp.a.to_list())

print(b_text)

Analysis Interval:  0 - 1000 [ms]

Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g

cont. A3ms(56.61 - 59.61 ms) = 65.74 g; cum. A3ms = 70.18 g

HIC = 307 (55.4 - 66.3 ms); HIC36 = 307 (55.4 - 66.3 ms); HIC15 = 307 (55.4 - 66.3 ms)

前5页运行结果展示

-------------- 1 --------------

python 区域截图_Python截图PDF,在指定区域并提取文本_第2张图片

1. Page of J7822-75-HFCA_2020_11_05 13_25

Head Acceleration SP 1 Resultant

11HEAD0000E2ACRA / CFC1000

75 / 2020-11-05

0.0; Vo = 13.889 m/s; M = 1160 kg

Friday, 6.11.2020  11:23

Analysis: IAT

b1f8503ce8003d662eea25e4b22faf63.png

Analysis Interval:  0 - 1000 [ms]

Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g

cont. A3ms(56.61 - 59.61 ms) = 65.74 g; cum. A3ms = 70.18 g

HIC = 307 (55.4 - 66.3 ms); HIC36 = 307 (55.4 - 66.3 ms); HIC15 = 307 (55.4 - 66.3 ms)

-------------- 2 --------------

python 区域截图_Python截图PDF,在指定区域并提取文本_第3张图片

2. Page of J7822-75-HFCA_2020_11_05 13_25

Head Acceleration X SP 1

11HEAD0000E2ACXA / CFC1000

75 / 2020-11-05

0.0; Vo = 13.889 m/s; M = 1160 kg

Friday, 6.11.2020  11:23

Analysis: IAT

e7eb84997a1505748b4e168a61e4620c.png

Analysis Interval:  0 - 1000 [ms]

Max(65.5 ms) = 8.15 g; Min(52.2 ms) = -7.426 g

-------------- 3 --------------

python 区域截图_Python截图PDF,在指定区域并提取文本_第4张图片

3. Page of J7822-75-HFCA_2020_11_05 13_25

Head Acceleration Y SP 1

11HEAD0000E2ACYA / CFC1000

75 / 2020-11-05

0.0; Vo = 13.889 m/s; M = 1160 kg

Friday, 6.11.2020  11:23

Analysis: IAT

d3d992b871db288563c5098e4e537a58.png

Analysis Interval:  0 - 1000 [ms]

Max(59.4 ms) = 71.87 g; Min(52 ms) = -9.89 g

-------------- 4 --------------

python 区域截图_Python截图PDF,在指定区域并提取文本_第5张图片

4. Page of J7822-75-HFCA_2020_11_05 13_25

Head Acceleration Z SP 1

11HEAD0000E2ACZA / CFC1000

75 / 2020-11-05

0.0; Vo = 13.889 m/s; M = 1160 kg

Friday, 6.11.2020  11:23

Analysis: IAT

ef11eaf88d10b00fa2ac7ce5c7c7b4e9.png

Analysis Interval:  0 - 1000 [ms]

Max(56.5 ms) = 20.39 g; Min(63.6 ms) = -23.43 g

-------------- 5 --------------

python 区域截图_Python截图PDF,在指定区域并提取文本_第6张图片

5. Page of J7822-75-HFCA_2020_11_05 13_25

Rib Left Upper Displacement Y SP 1

11RIBSLEUPE2DSYC / CFC180

75 / 2020-11-05

0.0; Vo = 13.889 m/s; M = 1160 kg

Friday, 6.11.2020  11:23

Analysis: IAT

f0c3635d9bd2a6825f45d43c35f1ad9f.png

Analysis Interval:  0 - 1000 [ms]

Max(314.8 ms) = 0.2821 mm; Min(52.9 ms) = -33.24 mm

你可能感兴趣的:(python,区域截图)