Part1 前言
文档类型的转换（PDF，Excel等）对广大社科学者来说一直是一个不大不小，但又令人十分头疼的问题。往期的实用技能分享中我们介绍过如何OCR识别图片中的文本，也介绍过如何使用 Python 读取（可以复制内容的）PDF 中的表格，将其转为 Excel 表。此时细心的小伙伴会发现一个盲区：我们怎么把不可复制内容的PDF（或扫描件）表格转成 Excel 表呢？
本文正是为了解决这个问题而写。我们知道，面对扫描文件一般会使用 OCR 技术来识别其中的文本。使用软件的话会面临收费，不符合白嫖精神；自己训练模型费时费力还不一定有效果。如果你也有这样的问题，请往下看，我们教你免费使用百度公司的 OCR 产品。
Part2 注册百度 AI 平台，申请 API
出于识别准确度和使用门槛的考虑，我们选择使用 百度 AI 平台提供的 OCR 服务，使用服务需要注册百度智能云账号，并申请 OCR 服务。这一步并不难，这里有一份非常详细的官方教程：https://ai.baidu.com/forum/topic/show/867951。
申请成功页面如下图所示：
接下来我们使用 Python 调用我们前面申请到的 API 来识别 PDF 文档。
Part3 识别表格 PDF
我们以一份 PDF 文档（共 3 页）为例进行演示，其内容不可复制，所以不能使用 Python 直接读取其中的内容，只能依靠 OCR 识别。
下图是 PDF 第一页中部分表格内容：
1、安装 Python 包
使用 Python 调用百度 OCR API 需要安装 baidu-aip 库，在命令提示符中输入以下命令安装：
pip install baidu-aip
2、PDF 文档转为图片
OCR 工具可以将图片识别为指定内容，而我们需要转换的文档是 PDF，所以需要先将 PDF 的每一页分别转为图片。PDF 转图片的代码如下：
import fitz
# 下面是待转换 PDF 的路径
pdf = './TEST/2019-2020 年全国碳排放权交易前2-4页.pdf'
doc = fitz.open(pdf)
for pg in range(doc.pageCount):
page = doc[pg] # 选择一页
rotate = 0
# 设置参数调整图片的质量
X_, Y_ = 4, 4
mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
pix = page.get_pixmap(matrix=mat, alpha=False)
pix.save(f"./TEST/Pic/Page_{pg}.png")
如上图所示，代码运行后，在指定位置生成 3 张图片，分别对应 PDF 中的 3 页。
3、调用 API，将图片识别为 Excel 表
首先，我们根据前面申请的 API key，生成一个 API 客户端，这是固定的代码写法，代码如下：
from aip import AipOcr # 导入第一步安装的库
APP_ID = '根据实际填写'
API_KEY = '根据实际填写'
SECRET_KEY = '根据实际填写'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY) # 根据 API key 生成客户端
第二步，将图片传入 API 客户端，等待服务器完成 OCR 识别。代码如下：
img = open("./TEST/Pic/Page_0.png",'rb').read() # 以二进制方式打开图片
table = client.tableRecognitionAsync(img) # 调用 API 表格服务
print(table) # 查看 API 返回结果
此时，服务器只返回给我们两个 id，接下来我们根据其中的 request_id 来获取识别的状态和识别的结果，代码如下：
ID = table['result'][0]['request_id'] # 取出 request_id
result = client.getTableRecognitionResult(ID) # 根据 id 尝试获取识别结果
result # 查看请求结果
如上图所示，我们只需关注请求结果中的识别状态（因为 OCR 识别需要一定时间，当识别已完成时才能获取结果）和识别结果（url），百度 API 会将识别的结果存放在云端，我们需要根据请求结果中的 url 来获取识别结果。
最后一步，获取识别结果，并写入 Excel 表中（识别结果为二进制数据，只有写入 Excel 才能使用）。代码如下：
import requests # 使用 requests 库抓取数据
dataurl = result['result']['result_data'] # 请求结果的 url
data = requests.get(dataurl) # 根据 url 获取数据
# 在我们希望的文件夹下新建一个 Excel 表，将识别的结果写入其中
with open("./TEST/识别结果/table_Page_0.xlsx", 'wb') as excel: # .表示Python当前工作目录
excel.write(data.content) # 将识别结果写入 Excel
excel.close()
运行代码后，会在我们指定的位置（在上面的倒数第三行代码中，如果没有这个文件夹，我们需要主动创建）生成一个 Excel 表，如下图所示：
对比 PDF ，发现识别效果非常可观。实际上，只要是人眼能够分辨的文字，此 API 几乎都能准确识别。
4、批量识别并合并为一张表
绝大多数情况下，一份 PDF 含有多页，以上三小节介绍了 Python 调用百度 API 识别表格的完整过程，下面我们再演示一下如何批量识别多页。前面的步骤中，我们将一份 PDF（3 页）转换为 3 张图片，下面我们就来 OCR 识别这三张图片，并将这三张图片的识别结果合并为一张表，代码如下：
import time, requests, glob
from aip import AipOcr
import pandas as pd
APP_ID = '根据实际填写'
API_KEY = '根据实际填写'
SECRET_KEY = '根据实际填写'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
path_list = glob.glob('./TEST/Pic/*.png') # 获取 Pic 目录下所有 png 图片的路径
for pic_path in path_list:
# 遍历所有图片的路径列表
img = open(pic_path,'rb').read() # 加载图片
table = client.tableRecognitionAsync(img) # 调用表格识别 API 进行识别
request_id = table['result'][0]['request_id'] # API 返回的请求 ID
# 下面每隔两秒查看识别状态，直到识别完成，即可抓取识别结果
result = client.getTableRecognitionResult(request_id)
while result['result']['ret_msg'] != '已完成':
# 通过 ID 获取识别结果，直至识别完成
time.sleep(2)
result = client.getTableRecognitionResult(request_id)
dataurl = result['result']['result_data'] # 识别完成后结果存储的 url
# 将结果写入 Excel 表，与图片同名
imgname = pic_path.split('\\')[-1].split('.')[0]
with open(f'./TEST/excel/{imgname}.xlsx', 'wb') as excel:
excel.write(requests.get(dataurl).content)
# 以上代码运行后，会在事先创建的 excel 文件夹下中生成三份 excel 表
# 接下来我们使用 Pandas 将他们合并为一张表(前提是这三张表结构一致，即字段名一样)。
excel_paths = glob.glob('./TEST/excel/*.xlsx')
DATA = pd.DataFrame()
for path in excel_paths:
Page_df = pd.read_excel(path)
DATA = pd.concat([DATA, Page_df])
# 将合并的表保存为 Excel 表
DATA.to_excel('./TEST/excel/2019-2020 年全国碳排放权交易前2-4页.xlsx', index=False)
运行代码后，在我们指定的文件夹下就会生成三份单页的 Excel 表，以及一个合并的 Excel 表。
以上就是调用百度 API 批量识别表格的步骤了。
💡 提示：
任何 OCR 产品都无法保证 100% 的识别准确率，如果你的数据非常非常重要，请谨慎使用 OCR 功能，或者使用后进行人工核对。
Part4总结
本期文章为大家介绍了如何使用百度 API 识别 PDF 表格或图片中的表格。如果你有这方面的需求，又恰好会一点 Python，那么就可以好好琢磨琢磨，把这个技能掌握住。最后，希望本期的技术分享能够给各位读者带来一点点帮助。
题外话
当下这个大数据时代不掌握一门编程语言怎么跟的上脚本呢？当下最火的编程语言Python前景一片光明！如果你也想跟上时代提升自己那么请看一下.
感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python必备开发工具
工具都帮大家整理好了，安装就可直接上手！
三、最新Python学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python视频合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
六、面试宝典
文章来源：https://www.toymoban.com/news/detail-791923.html
七、简历模板
文章来源地址https://www.toymoban.com/news/detail-791923.html
到了这里，关于数据治理 | 还在人工识别表格呢？Python 调用百度 OCR API 又快又准的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
