无法复制PDF的文字内容？只能说你没有看过这篇文章

以你之姓@ 2023-06-24 06:29 17阅读 0赞

## 突发奇想 ##

先说说我为什么要写这篇文章，在这之前，我遇到了一个问题，就是复制不了PDF的文字内容，而我偏偏又想获取到。  
我尝试了很多办法，先是将PDF转成Word文档，这样就可以从文档中把内容复制出来了，但是这些格式转换的工具基本都收费，自然就不用再考虑了。  
我还想过将要复制的文字部分截图下来，然后发到手机上，通过手机QQ的提取文字内容功能将文字提取出来然后复制：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]  
效果很好，也实现了我的需求，但是未免太麻烦了，要截图，还要发到手机上，于是我陷入了深深的思考，我能不能自己实现这样的功能呢？

学编程为了什么，就是解决问题嘛，所以，我考虑了一下，QQ是如何实现这个功能的。毫无疑问，是文字识别，通过一张图片，然后识别图片里的文字，最后显示出来。

## 准备工作 ##

搞清楚原理之后，就要解决该如何实现文字识别呢？自己实现显然不现实，自己也不会啊，在百度上搜索了一下，我决定使用百度提供的文字识别API。为了使整个过程变得简便，最终决定使用Python语言实现整个过程。

### 申请百度识别API ###

我们先来申请一下百度的文字识别API。  
百度搜索百度AI开放平台：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 2]  
点第一个官方链接，进去后点击控制台：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 3]  
然后会让你注册，有账号的话登录就可以了，登录之后就可以看到控制台，点击左侧导航栏中的文字识别：  
![在这里插入图片描述][20191221143110475.png]  
然后点击创建应用，信息随便填一填就好了，我这里已经创建好了：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 4]  
创建好了就先放着，这三个数据到后面是有用的。

### 模块介绍 ###

在写代码之前，我得先介绍一下要使用的模块，先来说说我想实现的功能：  
首先通过截图(QQ截图、微信截图、电脑自带的截图工具都可以)截取需要的文字内容，然后将图片保存到电脑中，接着通过文字识别把图片中的文字进行提取，最后输出。  
先给大家看看效果：  
![在这里插入图片描述][20191221144351876.gif]  
大致功能就是这样，大家也可以根据自己的想法进行拓展。

#### keyboard ####

先来介绍一下keyboard模块，因为我们要直接获取到截图的图片，肯定不能自己去保存，那样太麻烦，我们要截图完成后自动将图片进行保存，所以我们先监听到键盘的输入。  
先安装keyboard模块，在cmd窗口执行指令：

pip install keyboard

来体验一下这个模块。

import keyboard
    
    keyboard.wait(hotkey = 's')
    print("键盘按下了's'")

通过该模块的wait函数可以等待键盘输入，函数参数表示等待的热键，意思是说当执行该程序后，程序会一直等待，直到你键盘按下了’s’程序才会继续执行。  
我们运行该程序，然后按下’s’，运行结果如下：

键盘按下了's'

学会了这个，接下来的事情就很简单了，我这里用的是QQ的截图，快捷键为：Ctrl + Alt + A，所以我们要监听该快捷键，代码如下：

import keyboard
    
    print("开始截图")
    keyboard.wait(hotkey = 'ctrl+alt+a')
    print("键盘按下了'ctrl+alt+a'")
    keyboard.wait(hotkey = 'enter')
    print("键盘按下了'enter'")
    print("结束截图")

运行之后，我们正常执行一次截图操作，看下运行结果：

开始截图
    键盘按下了'ctrl+alt+a'
    键盘按下了'enter'
    结束截图

这样监听截图操作就完成了。

#### ImageGrab ####

这是一个非常优秀的图像处理库，我们通过它来保存截取的图片，先安装一下该模块：

pip install Pillow

这是PIL(全程：Pillow)包下的一个模块，所以我们把Pillow包下载好，要用到该模块的一个函数，代码如下：

import keyboard
    from PIL import ImageGrab 
    
    print("开始截图")
    keyboard.wait(hotkey = 'ctrl+alt+a')
    print("键盘按下了'ctrl+alt+a'")
    keyboard.wait(hotkey = 'enter')
    print("键盘按下了'enter'")
    
    # 保存剪切板快照
    image = ImageGrab.grabclipboard()
    image.save('screen.png')
    
    print("结束截图")

使用也很简单，先通过keyboard模块的wait函数等待我们截图，当按下enter后截图结束，使用ImageGrab模块的grabclipboard函数将截图获取出来，该函数的功能是抓取当前剪切板的快照，然后封装成image返回，接着用image的save函数进行保存，若只写文件名，则图片将保存在当前目录。

现在我们运行一下项目，然后随意截取一张图片：  
![在这里插入图片描述][20191221152502798.gif]  
虽然这样实现了截图的保存，但细心的同学肯定能发现，第一次截图的时候报错了，然而第二次截图的时候，保存的却是第一次截图的内容，这是为什么呢？  
这是因为grabclipboard函数有一个缓存的问题，操作太快，有时候它就会读取上一次的内容，因为第一个没有读取到图像，所以报错了。  
问题找到了，该如何解决呢？既然是操作太快导致读取了缓存，那就让它慢一点呗，我们加上一个时间的延迟就可以了，代码修改如下：

import keyboard
    from PIL import ImageGrab 
    import time
    
    print("开始截图")
    keyboard.wait(hotkey = 'ctrl+alt+a')
    print("键盘按下了'ctrl+alt+a'")
    keyboard.wait(hotkey = 'enter')
    print("键盘按下了'enter'")
    
    time.sleep(0.1) # 因为读取截取内容会有一个延迟，导致读取到的是上一次的截图，这里我们主动延迟
    
    # 保存剪切板快照
    image = ImageGrab.grabclipboard()
    image.save('screen.png')
    
    print("结束截图")

这里在保存剪切板快照之前进行了0.1秒的延迟，就能很好地解决这个问题，使用sleep函数需要导入time模块，下载模块指令：

pip install time

到这里，截取的图片就保存完毕了。

#### baidu-aip ####

下面介绍百度的文字识别API。  
关于文字识别API的介绍，大家可以查看百度官方的技术文档，我这里只介绍需要使用到的。

#### AipOcr ####

AipOcr是OCR的Python SDK客户端，为使用OCR的开发人员提供了一系列的交互方法。

from aip import AipOcr
    
    """ 你的 APPID AK SK """
    APP_ID = '你的 App ID'
    API_KEY = '你的 Api Key'
    SECRET_KEY = '你的 Secret Key'
    
    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

这三个数据都在之前的应用管理里面呢，粘贴进来就可以了。  
这样便创建了客户端，还可以对客户端进行一些配置，比如连接的超时时间等等，这里就不做配置了。

#### 通用文字识别 ####

""" 读取图片 """
    def get_file_content(filePath):
        with open(filePath, 'rb') as fp:
            return fp.read()
    
    image = get_file_content('example.jpg')

这段代码是从官方文档中复制过来的，意思很简单，get\_file\_content函数通过一个图片的路径将图片转换成二进制数据进行返回，这里的image即为指定图片的二进制数据，有了二进制数据后，就能进行文字识别了。

*  basicGeneral
 *  basicAccurate

这两个方法都可以进行文字识别，不过basicAccurate方法是高精度版本的，具体用哪个方法看大家喜好。

下面来测试一下我们能否成功提取到图片文字，比如下面的一张图片：  
![在这里插入图片描述][20191221155005353.png]

from aip import AipOcr
    
    # 调用百度API识别图片内容
    APP_ID = '18076523'
    API_KEY = 'vlLcZ6VGb88qoAr5IN0OTShw'
    SECRET_KEY = '8KzHr2AvEREYGGwdwIMFZSwTUoPB6LC4'
    
    client = AipOcr(APP_ID,API_KEY,SECRET_KEY) # 生成一个对策
    
    # 获取图片的二进制数据
    def get_file_content(filePath):
    	with open(filePath,'rb') as fp:
    		return fp.read()
    
    image = get_file_content('screen.png')
    
    # 调用文字识别(高精度版)
    text = client.basicAccurate(image)
    
    print(text)

运行结果：  
![在这里插入图片描述][20191221155252261.png]  
成功获取到文字内容，我们先来处理一下这些数据。  
log\_id我们不管，words\_result\_num应该是识别的文字数量，它把图片中的文字拆分成了几个小块，这里一共四块，文字内容存放在列表words\_result中，每个列表由一个字典组成，文本内容的键为words，所以接下来取出文本内容就很简单了：

from aip import AipOcr
    
    # 3、调用百度API识别图片内容
    APP_ID = '18076523'
    API_KEY = 'vlLcZ6VGb88qoAr5IN0OTShw'
    SECRET_KEY = '8KzHr2AvEREYGGwdwIMFZSwTUoPB6LC4'
    
    client = AipOcr(APP_ID,API_KEY,SECRET_KEY) # 生成一个对策
    
    # 获取图片的二进制数据
    def get_file_content(filePath):
    	with open(filePath,'rb') as fp:
    		return fp.read()
    
    image = get_file_content('screen.png')
    
    # 调用文字识别(高精度版)
    text = client.basicAccurate(image)
    
    # 处理返回的数据
    textList = text['words_result']
    for i in textList:
    	print(i['words'])

运行结果：  
![在这里插入图片描述][20191221155614874.png]  
到这里，图片的文字识别我们也掌握了。

## 程序源代码 ##

下面是程序的所有代码：

import time
    import keyboard
    from PIL import ImageGrab
    from aip import AipOcr
    
    # 1、截取图片
    keyboard.wait(hotkey='ctrl+alt+a') # 键盘输入的触发事件
    
    keyboard.wait(hotkey='enter')
    
    time.sleep(0.1) # 因为读取截取内容会有一个延迟，导致读取到的是上一次的截图，这里我们主动延迟
    
    # 2、将图片保存到电脑上
    image = ImageGrab.grabclipboard()
    image.save('screen.png') # 将截取的图片进行保存
    
    # 3、调用百度API识别图片内容
    APP_ID = '18076523'
    API_KEY = 'vlLcZ6VGb88qoAr5IN0OTShw'
    SECRET_KEY = '8KzHr2AvEREYGGwdwIMFZSwTUoPB6LC4'
    
    client = AipOcr(APP_ID,API_KEY,SECRET_KEY) # 生成一个对策
    
    # 获取图片的二进制数据
    def get_file_content(filePath):
    	with open(filePath,'rb') as fp:
    		return fp.read()
    
    image = get_file_content('screen.png')
    
    # 调用文字识别(高精度版)
    text = client.basicAccurate(image)
    textList = text['words_result']
    for i in textList:
    	print(i['words'])

效果在刚开始就演示过了，它可不光能复制PDF文字的内容，因为在哪里都可以进行截图操作，所以诸如一些百度文库的地方，无法复制文字内容，就可以通过这种方式曲线复制。

## 最后 ##

最后我想说的是，要把学习当做自己的乐趣，编程是灵活的，自己遇到一些问题的时候，可以想着自己制作一些小工具，既解决了自己的问题，又能够从中学到很多知识，何乐而不为呢？

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191221141742587.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191221141850213.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191221142844235.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191221142920827.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ=,size_16,color_FFFFFF,t_70
[20191221143110475.png]: https://img-blog.csdnimg.cn/20191221143110475.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191221143220118.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibGl6emF3YW5nLmJsb2cuY3Nkbi5uZXQ=,size_16,color_FFFFFF,t_70
[20191221144351876.gif]: https://img-blog.csdnimg.cn/20191221144351876.gif
[20191221152502798.gif]: https://img-blog.csdnimg.cn/20191221152502798.gif
[20191221155005353.png]: https://img-blog.csdnimg.cn/20191221155005353.png
[20191221155252261.png]: https://img-blog.csdnimg.cn/20191221155252261.png
[20191221155614874.png]: https://img-blog.csdnimg.cn/20191221155614874.png