來源：早起Python

作者：陳熹

40個Python辦公自動化案例合輯

大家好，我是早起。本文將分享一個常見辦公場景下的Python自動化案例，主要將涉及以下兩個內容

• Python提取圖片型PDF內容
• Python批量重命名文件

一、需求描述

有一個文件夾 貨物清單 中含有多張貨物清單的影印版 PDF，分別命名為 文件 (1).pdf 文件 (2).pdf ... 文件 (20).pdf，如下所示：

PDF 是純圖片類型，里面的文字信息無法手動復制，同時本例中所有的圖片都向左旋轉 90 度，大致如下圖所示（馬賽克部分為無關內容）：

我們需要做的是 「 獲取圖中紅框部分 TRACKING# 以及 REF2 冒號后的字符串，用 & 連接后重命名這個 PDF 文件 」 ！

也就是需要根據每個PDF內容來批量重命名一大堆文件，最終效果如下

二、邏輯梳理與基礎配置

本需求是一個批處理問題，即需要對諸多文件執行類型的操作，基本思路是先完成對一份文件的處理，然后借助 glob 模塊獲取指定路徑所有符合要求的文件路徑，執行批處理框架，固后面的操作先針對 文件 (1).pdf

需求中最大的難題在于，PDF 是圖片類型，無法按常規方法提取文件。解決思路是利用光學字符識別（OCR）將圖片中的文字識別出，然后進行后續操作，這里就涉及到一些先后順序：

將圖片向右旋轉回正位

截取需要識別的部分圖片

將截取的圖片交給 OCR 獲取字符串

為了完成 OCR，需要在電腦上安裝三個軟件：

Ghostscript 32 位

ImageMagick 32 位

tesseract-OCR 32 位

三個軟件的下載安裝沒有特殊的地方（tesseract 配置稍復雜但網絡有上諸多教程，這里不再贅述），讀者可自行搜索下載及配置

三、代碼實現

首先導入需要的模塊：

from wand.image import Image
from PIL import Image as PI import pyocr import pyocr.builders import io import glob import re import os import shutil

具體的模塊用途可以參考下面具體代碼。其中 wand 和 pyocr 由于是非標準庫需要自行額外安裝。打開命令行輸入：

pip install wand
pip install pyocr

作為測試以及方便后面的實際運行，需求中的 貨物清單 這一文件夾可以放在桌面上。為了獲取其中的內容首先我們要明確桌面的路徑。每個人每臺電腦的桌面路徑都不相同，如果直接復制當前電腦桌面的路徑，更換電腦或者其他用戶調試就需要額外修改?？赏ㄟ^下面基于 os 模塊的代碼獲取桌面路徑：

# 獲取桌面路徑包裝成一個函數 def GetDesktopPath():     return os.path.join(os.path.expanduser("~"), 'Desktop')

path = GetDesktopPath() + r'貨物清單' # 獲取 貨物清單 文件夾路徑 

獲取配置好的 tesseract 便于后面調用：

tool = pyocr.get_available_tools()[0]

以 文件 (1).pdf 為例，通過 wand 模塊將 PDF 文件轉化為分辨率為 300 的 jpeg 圖片形式：

image_pdf = Image(filename=path + r'文件 (1).pdf', resolution=300)
image_jpeg = image_pdf.convert('jpeg')

將圖片解析為二進制矩陣：

image_lst = [] for img in image_jpeg.sequence:
    img_page = Image(image=img)
    image_lst.append(img_page.make_blob('jpeg'))

用 io 模塊的 BytesIO 方法讀取二進制內容為圖片形式：

new_img = PI.open(io.BytesIO(image_lst[0]))

由于圖片現在處于左旋 90 度的水平位，將其轉為正位可以用 rotate() 方法，注意該方法是逆時針旋轉，因此回正位需要逆時針旋轉 270 度。完善上面的代碼，并為 new_img.show() 預覽圖片：

new_img = PI.open(io.BytesIO(image_lst[0])).rotate(270)
new_img.show()

彈出圖片并恢復到了正位，接下來分別截取需要提取部位字符串的圖片了，盡量讓圖片中只有需要識別的部分，獲取識別出來容易簡單處理獲得需要的內容 截取圖片用 image.crop((left, top, right, bottom)) 四個參數需要反復調試才能確定。首先提取 TRACKING# 部位需要的內容，經確定四個參數分別是 350 600 1350 730，嘗試截取和預覽圖片：

### 解析1Z開頭碼 left = 350
top = 600
right = 1300
bottom = 730
image_obj1 = new_img.crop((left, top, right, bottom))
image_obj1.show()

截取成功后可以交給 OCR 了，代碼為 tool.image_to_string()

txt1= tool.image_to_string(image_obj1) print(txt1)

通過正則提取紅框內需要的內容：

req = 'TRACKING #: (.*)' txt1_real = ''.join(re.findall(req, txt1)[0].split()) print(txt1_real)

用同樣的辦法也可以提取另一個紅框的文字：

### 解析C開頭碼 left = 205 top = 1170 right = 2450 bottom = 1200 image_obj2 = new_img.crop((left, top, right, bottom)) txt2 = tool.image_to_string(image_obj2) req = 'C.d+d' txt2_real = re.findall(req, txt2)[0]

最后將兩個字符串和 & 拼接為長字符串，然后通過 os.rename() 完成重命名文件的目的：

file_name = txt1_real + '&' + txt2_real
os.rename(path + r'文件 (1).pdf', path + r'{}.pdf'.format(file_name))

至此我們就完成了需求的一大步，接下來只需要借助 glob 模塊遍歷目標文件夾，對獲取的每一個文件執行上面的操作即可，這樣就將全部需求完成，所有的PDF均按照指定字段進行重命名

本文的分享就到這里，上面的 Python辦公自動化 案例可以擴展到很多使用場景（核心為提取PDF指定內容+批量重命名），大家可以自己找一些文件測試學習，如果對你有所幫助可以給本文來一波三連~