Excel VBA@文檔管理系統
文檔管理系統
主要為處理公文、會議的Side Project，其中功能包含利用AI工具去辨識紙本公文或PDF公文的文字內容，建立發文字號、發文日期、公文主旨等重要資訊，供使用者進行後續利用。
需要必備的技能或工具
- Tesseract OCR(***圖片轉文字辨識套件)
- python
- Excel VBA
在Excel VBA中使用shell呼叫Python的PDF_OCR.py執行Tesseract OCR辨識指定PDF文檔，產生output.txt後，提供Excel VBA讀取利用，如對於python比較沒有概念的朋友也可以直接使用pyinstaller建立好的PDF_OCR.exe執行辨識動作。
建立流程
1.建立Tesseract的操作環境，請參考Tesseract OCR - 繁體中文【安裝篇】
2.建立Python的可執行環境，請參考網路大神範例，有一拖拉庫
3.建立Python的虛擬開發環境，下載相關套件
pip install pillow pytesseract
pip install PyMuPDF
pip install pyinstaller
4.撰寫Python的腳本檔 (PDF_OCR.py)，由衷感謝chatGPT的發展，省很多事去探索。
import sys
import fitz # PyMuPDF
from PIL import Image
import pytesseract
import re # 导入re模块
def extract_text_from_pdf(PDF_PATH, OUTPUT_PATH):
# 创建一个PyMuPDF文档对象
pdf = fitz.open(PDF_PATH)
# 提取PDF页面中的文本
text = ""
for page_num in range(pdf.page_count):
page = pdf[page_num]
text += page.get_text()
# 获取页面的宽度和高度
width = int(page.rect.width)
height = int(page.rect.height)
# 使用Tesseract进行OCR识别
img = Image.frombytes("RGB", [width, height], page.get_pixmap().samples)
text += pytesseract.image_to_string(img, lang='chi_tra')
# 使用正则表达式去除所有空白字符
cleaned_text = re.sub(r'\s', '', text)
paragraphs = text.split('\n')
# 保存分段后的文本
with open(OUTPUT_PATH, 'w', encoding='utf-8') as file:
for paragraph in paragraphs:
# 在每段之间加上换行符
file.write(paragraph + '\n')
print("文本已保存到 {} 文件中。".format(OUTPUT_PATH))
if __name__ == "__main__":
# 检查是否提供了足够的命令行参数
if len(sys.argv) != 3:
print("用法: python script.py PDF_PATH OUTPUT_PATH")
else:
PDF_PATH = sys.argv[1] # 第一个参数是PDF文件路径
OUTPUT_PATH = sys.argv[2] # 第二个参数是输出文件路径
extract_text_from_pdf(PDF_PATH, OUTPUT_PATH)
5.編譯成PDF_OCR資料夾，其中包含PDF_OCR.exe，整包資料夾提供給其他裝置使用，並且其他裝置無須安裝python環境
(非程式開發者從這一步接手就好)
6.拿到整包的資料夾，與文檔管理系統.xls放在同一個位置，其中包含PDF_OCR、Template資料夾，Template中會執行PDF_OCR.exe一些辨識指定PDF與成果Output.txt
7.最終成果
8.檔案連結如下:
留言
張貼留言