网站建设推广公司价格定制小程序开发公司

网站建设推广公司价格,定制小程序开发公司,中国交通建设集团有限公司招聘,吸引流量的网站前言 在日常办公和开发中#xff0c;我们经常会遇到这样的需求#xff1a;从大量PDF文件的指定区域提取文本#xff08;比如发票的日期、金额#xff0c;报表的关键指标#xff09;#xff0c;或者对指定区域进行截图并汇总到Excel中。手动逐个处理效率极低#xff0c;…前言在日常办公和开发中我们经常会遇到这样的需求从大量PDF文件的指定区域提取文本比如发票的日期、金额报表的关键指标或者对指定区域进行截图并汇总到Excel中。手动逐个处理效率极低而通用的PDF OCR工具又无法精准定位区域。代码已开源在Github https://github.com/ChenAI-TGF/PDF_SnapOCR今天给大家分享一款我开发的Python工具——PDF区域OCR/截图逐个处理工具它完美解决了上述痛点支持手动审核全自动批量处理还内置了区域拖动缩放、Excel自动导出等实用功能并且配备完善的UI界面使用门槛极低。下面详细拆解它的功能和实现原理。先看一下整个程序的界面一、工具核心功能详解这款工具基于tkinter构建可视化界面整合了PyMuPDFPDF处理、easyocrOCR识别、openpyxlExcel导出等库功能覆盖从PDF区域选择到结果汇总的全流程具体如下1. 核心处理能力功能点详细说明精准区域OCR识别可框选PDF任意区域进行文字提取支持中文英文识别内置OpenCV图像预处理灰度化、自适应阈值、形态学操作提升识别准确率区域截图保存支持将框选区域保存为图片自动处理路径和文件名冲突UUID生成唯一名称避免特殊字符导致的保存失败自定义日期格式化针对OCR识别的日期文本可按不同规则自动格式化例20251209 → 2025年12月09日用户可自行设置支持实时预览格式化效果2. 交互与操作体验区域可视化管理 框选的区域会在PDF预览界面显示不同类型有不同颜色OCR蓝色/截图绿色选中红色支持拖动边线控制点和缩放右下角控制点操作直观区域模板继承为第一个PDF设置的区域会自动保存为模板切换后续PDF时自动继承无需重复框选修改区域后模板实时更新同时 支持拖动边线控制点和缩放右下角控制点上一个PDF保存下来的模版手动模式 - OCR结果审核与修改 处理当前PDF后所有OCR识别结果会生成可编辑输入框支持手动审核、修正识别错误截图模式仅显示保存路径编辑后的结果实时生效点击「保存并下一个」可将修改后的内容写入Excel同时自动切换到下一个PDF文件全自动模式 - 一键批量处理所有PDF 切换到全自动模式后基于已设置的区域模板点击「批量处理所有PDF」可后台线程执行不卡死界面避免单线程卡顿实时显示处理进度当前处理第N个/总数量 文件名每处理10个文件自动保存一次Excel防止数据丢失处理完成后弹窗提示结果文件路径全程无需人工干预结果导出 - Excel一体化存储文本截图 纯文本结果OCR识别/修改后内容与截图文件一体化写入Excel截图自动插入对应单元格并适配尺寸最大宽度150px等比例缩放自动调整Excel列宽/行高适配内容截图区域单元格标注清晰文本区域可直接编辑结果文件保存在PDF文件夹下命名PDF处理结果.xlsx关闭程序时才清理临时截图文件确保Excel中图片正常显示二、环境准备与安装使用前需安装以下依赖库建议在虚拟环境中执行# 核心依赖pipinstallpymupdf easyocr openpyxl# 辅助依赖数据处理/图像/界面pipinstallpandas opencv-python pillow numpy tkinter注意tkinter通常随Python自带若缺失可根据系统安装如Ubuntusudo apt-get install python3-tk。三、代码核心原理简析工具的代码结构清晰分为基础配置、工具函数、主应用类、程序入口四部分核心原理简单拆解如下1. 界面构建tkinter使用tkinterttk构建可视化界面分为“顶部操作栏”模式切换、按钮、进度、“顶右侧操作栏”、“中间预览区”PDF画布区域设置、“结果编辑区”、“底部状态栏”画布Canvas绑定鼠标事件点击/拖动/释放实现区域框选、拖动、缩放功能全局快捷键绑定bind_all确保F2键在任意控件焦点下都能触发。2. PDF处理PyMuPDFfitz打开PDF并读取第一页fitz.open(pdf_path)[0]计算Canvas与PDF页面的缩放比例实现PDF预览的等比例适配通过page.get_pixmap(cliprect)提取指定区域的像素数据转换为OpenCV/PIL可处理的图像格式。3. OCR识别easyocr OpenCVeasyocr.Reader([ch_sim, en])初始化中英双语识别器OpenCV对区域图像预处理灰度化、自适应阈值、形态学开运算减少噪声提升识别率自定义format_date_text函数实现日期格式化异常时返回原始文本保证程序健壮性。4. 批量处理多线程批量处理逻辑放在独立线程threading.Thread中执行避免主线程界面卡死通过root.after(0, 回调函数)更新UI状态进度、提示符合tkinter的线程安全规则。5. Excel导出openpyxl pandaspandas.DataFrame存储OCR文本结果dataframe_to_rows写入Excelopenpyxl.drawing.image.Image插入截图自动缩放图片尺寸并调整单元格大小文本结果与截图路径分离存储确保Excel导出时文本和图片一一对应。四、工具使用教程分步演示步骤1启动工具运行代码若依赖齐全会弹出主界面底部状态栏显示“就绪 - 请选择PDF文件夹开始操作”。步骤2选择PDF文件夹点击“选择PDF文件夹”选中存放待处理PDF的文件夹工具会自动加载所有PDF文件仅后缀为.pdf的文件并显示第一个PDF的预览。步骤3设置处理区域核心在PDF预览画布上按住鼠标左键拖动框选需要处理的区域在右侧“区域设置”面板输入“区域名称”如“开票日期”“金额”选择“处理方式”OCR识别/截图保存若选OCR可勾选“是否进行日期格式化”实时预览格式化效果点击“添加当前区域”区域会显示在画布上同时出现在“已选区域”列表中如需调整区域点击画布上的区域变红可拖动位置或拖动右下角控制点缩放。步骤4选择处理模式模式A手动模式逐个审核点击“处理当前PDF”工具会识别所有区域并显示结果OCR结果可直接编辑确认结果无误后点击“保存并下一个”结果写入Excel并切换到下一个PDF重复上述步骤直到所有PDF处理完成。模式B全自动模式批量处理确保第一个PDF的区域设置完成模板已保存切换到“全自动模式批量处理”点击“批量处理所有PDF”确认后工具开始批量处理顶部进度标签显示当前处理进度处理完成后会弹出提示结果保存到PDF文件夹下的“PDF处理结果.xlsx”。步骤5查看结果打开生成的Excel文件OCR识别的文本直接显示在单元格中截图自动插入对应单元格单元格大小已适配图片尺寸所有PDF的结果按行排列列名为区域名称第一列为PDF文件名。五、总结与扩展这款工具完美解决了PDF指定区域文本提取和截图汇总的痛点兼顾“手动审核的精准性”和“批量处理的高效性”适用于财务、行政、数据处理等多个场景。工具核心价值精准定位PDF区域灵活的处理模式智能Excel导出解决批量PDF处理的效率问题核心技术栈PyMuPDFPDFeasyocrOCRopenpyxlExceltkinterGUI易用性设计区域模板继承、快捷键、状态栏提示、自动清理临时文件降低使用门槛。如果日常工作中需要处理大量PDF的指定区域这款工具能极大提升效率建议根据实际需求微调日期格式化规则或OCR预处理参数适配不同场景的PDF文件。