PDF文本提取工具py39

安装：python安装好后，可以直接pip install --no-index --find-links=./packages -r requirements.txt 再进行 pip install --no-index --find-links=./packages -r requirements2.txt 安装后忽略报错。环境配置成功

项目概述

这是一个基于Python的PDF文本提取工具，支持批量处理PDF文件，自动识别文档中的特定区域（如姓名、金额等），并进行OCR文字识别。该工具使用本地模型进行处理，无需联网，可方便地集成到桌面应用程序中，提供高效的文档处理能力。

文件结构

项目根目录/
├── pdf_to_table.py        # 主程序
├── requirements.txt       # 依赖列表
├── requirements2.txt      # 依赖列表
├── model/                 # 模型文件夹（必须）
│   ├── layout/            # 版面检测模型
│   └── best.pt            # YOLO分类模型（固定名称）
│   └── PP-OCRv4_mobile_det # OCR检测模型
│   └── PP-OCRv4_mobile_rec # OCR识别模型
├── packages/              # 依赖包文件夹
├── ocr.yaml               # OCR配置文件（必须）
├── poppler/               # Poppler工具（可选，推荐）
│   └── bin/               # Poppler可执行文件
└── output/                # 默认输出目录，初始没有，运行后会自动创建

安装说明

1. Poppler安装

Poppler用于PDF到图像的转换，程序会自动检测多个位置的Poppler安装：

方法1：放置在程序目录（推荐）

1. 下载Poppler for Windows: https://github.com/oschwartz10612/poppler-windows/releases/
2. 解压到程序根目录下的poppler文件夹（或poppler/bin子目录）

方法2：系统安装

• Windows: 安装到任意位置，程序会自动检测常见路径（C:/poppler/bin、Program Files等）
• Linux/Mac: 使用包管理器安装（apt-get、brew等）

方法3：环境变量

• 设置环境变量POPPLER_PATH指向Poppler的bin目录

程序会按以上优先级自动检测Poppler位置，无需手动配置。

2. 模型准备

1. 确保版面检测模型位于model/layout/目录下
2. 确保YOLO分类模型文件命名为best.pt并位于model/目录下
3. 确保OCR配置文件ocr.yaml位于项目根目录下

使用说明

程序集成

from pdf_to_table import process_pdf_to_table

# 处理PDF文件夹
stats = process_pdf_to_table(
    pdf_folder="PDF文件夹路径",
    output_folder="输出文件夹路径",
    confidence_threshold=0.6  # 可选，默认0.6
)

# 处理结果统计
print(f"目标图片数: {stats['target_images']}")
print(f"成功提取区域的图片数: {stats['successful_extractions']}")
print(f"name区域数: {stats['total_name_regions']}, money区域数: {stats['total_money_regions']}")

独立运行

也可以直接运行脚本，使用默认参数：

python pdf_to_table.py

默认会处理input_pdfs文件夹中的PDF文件，并将结果保存到output文件夹。

错误处理与日志

import logging

# 配置日志
logging.basicConfig(filename='pdf_process.log', level=logging.INFO)

try:
    stats = process_pdf_to_table(...)
    # 处理完成后的操作
except Exception as e:
    logging.error(f"处理失败: {str(e)}")
    # 错误处理

输出结构

处理完成后，输出文件夹结构如下：

输出文件夹/
├── images/                 # 转换后的图片
├── results/                # 处理结果
│   ├── classification_results.csv    # 分类结果
│   ├── processing_results.csv        # 处理结果
│   └── [图片序号]/         # 每个图片的处理结果
│       ├── [图片名]_all_regions.jpg  # 区域可视化
│       ├── [图片名]_name_[序号].jpg  # 姓名区域图片
│       ├── [图片名]_money_[序号].jpg # 金额区域图片
│       ├── [图片名]_name_[序号]_texts.txt  # 姓名区域文本
│       ├── [图片名]_money_[序号]_texts.txt # 金额区域文本
│       └── [图片名]_regions.txt      # 合并后的文本结果
└── rotated_images/         # 旋转后的图片

注意事项

1. 文件路径与结构

   • 模型文件名称和位置固定（best.pt、layout目录）
   • Poppler会自动检测，无需手动指定路径
   • 输入和输出路径可以使用相对或绝对路径
   • 打包应用时需要包含所有模型文件和配置文件

2. 本地模型使用

   • 程序使用本地模型，不需要网络连接
   • 确保模型文件完整且未损坏
   • 版面检测模型必须位于model/layout/目录
   • OCR配置文件必须位于根目录

3. 性能考虑

   • 处理大量PDF文件时可能需要较长时间
   • 建议在单独线程中运行处理任务
   • 显示进度条以提高用户体验

4. 集成建议

   • 将模型文件和配置文件打包到应用程序中
   • 处理前检查文件和模型是否存在
   • 使用try/except捕获异常并记录日志

常见问题

1. PDF转换失败

   • 确认Poppler正确安装（程序会自动检测多个位置）
   • 检查PDF文件是否有效
   • 查看日志了解详细错误信息

2. 模型加载失败

   • 检查model目录下是否包含完整的模型文件
   • 确认模型文件名称为best.pt
   • 确认ocr.yaml配置文件存在

3. 识别质量问题

   • 调整confidence_threshold值（默认0.6）
   • 检查图片质量，必要时提高DPI
   • 检查区域裁剪参数

4. 旋转处理问题

   • 确保YOLO模型支持的分类类别: no, yes, yes_90, yes_-90
   • yes_90表示需逆时针旋转90度，yes_-90表示需顺时针旋转90度

---

该工具支持四种分类：no（非目标文档）, yes（正向文档）, yes_90（需逆时针旋转90度）, yes_-90（需顺时针旋转90度），并支持三种版面区域类型：title, name, money（仅提取name和money区域）。