Python實現讀取PDF文件案例

最近有一個本地客戶需求是讀取PDF文件，然後做自動化處理。這其實是一種典型的RPA自動化需求，簡單而言就是模擬人工來操作文件，網頁，客戶端系統等，只要操作規則定義清楚，就可以實施這種RPA應用，而如果這種操作較為頻繁（大量重複），則這種RPA自動化應用實施的ROI（投資回報率）會非常顯著。

事實上利用RPA軟體可以較為容易地實現這類操作，例如AutomationAnywhere，參考此前我寫的一篇文章《RPA軟體之AutomationAnywhere研究》，在AA里就有這類操作PDF文件的標準控制項和應用場景：

（二十八）PDFIntegration（PDF文件操作）

PDF To Image

Extract From Fields

Extract Text

Merge Documents

Split Document

Encrypt Document

Decrypt Document

而現在這個本地客戶需求相對簡單，並且在未來有進一步和其他應用集成的可能性，也就是開發一個端到端的自動化應用，因此用AA來實現這個功能就有點大材小用了，而用Python寫一個自開發的RPA應用就可以支持這個功能，而在Python來操作PDF文件有多種類庫，分別研究了一下，發現對於英文PDF文件支持最好的是pyPDF2類庫，而對於多語言PDF文件支持最好的則是本文這個案例種用到的pdfminer類庫，這兩個類庫的使用方法其實都很簡單。

不說廢話，直接上代碼：

準備了一個簡單的PDF文件做測試：

執行程序，結果如下：

當然了，不管是pyPDF2類庫（只支持英文PDF文件），還是pdfminer類庫（支持多語言PDF文件），都有一個最大的局限性，那就是只能用來讀取電腦生成的PDF文件的內容，而不能用來處理掃描件PDF，對於手寫字也不能支持，要讀取這類PDF掃描件就要用到另外一種技術，那就是——OCR。在後面我會專門寫一篇文章來介紹一個如何利用tensorflow來實現OCR讀取PDF掃描件的案例。

RPA應用實施有兩個階段，第一個階段是傳統RPA（Tranditional RPA），而第二階段是認知RPA（Cognitive RPA），認知RPA比傳統RPA更高級的一點就是引入了AI認知服務，使原來無法操作的非結構化數據可以被操作，例如OCR，人臉識別，聲音識別等等。傳統RPA則是基於對結構化數據的操作，包括excel文件，網頁數據等。當然了，對於電腦生成的PDF文件的讀取和自動化操作，還可以算作是傳統RPA實施的領域，而對於PDF掃描件的讀取和自動化操作，則毫無疑問地可以歸於認知RPA的範圍了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！