本文将分享一个常见办公场景下的Python自动化案例，主要将涉及以下两个内容
一、需求描述
有一个文件夹 货物清单 中含有多张货物清单的影印版 PDF，分别命名为 文件 (1).pdf 文件 (2).pdf ... 文件 (20).pdf，如下所示：
PDF 是纯图片类型，里面的文字信息无法手动复制，同时本例中所有的图片都向左旋转 90 度，大致如下图所示（马赛克部分为无关内容）：
我们需要做的是 「 获取图中红框部分 TRACKING# 以及 REF2 冒号后的字符串，用 & 连接后重命名这个 PDF 文件 」 ！
也就是需要根据每个PDF内容来批量重命名一大堆文件，最终效果如下
二、逻辑梳理与基础配置
本需求是一个批处理问题，即需要对诸多文件执行类型的操作，基本思路是先完成对一份文件的处理，然后借助 glob 模块获取指定路径所有符合要求的文件路径，执行批处理框架，固后面的操作先针对 文件 (1).pdf
需求中最大的难题在于，PDF 是图片类型，无法按常规方法提取文件。解决思路是利用光学字符识别（OCR）将图片中的文字识别出，然后进行后续操作，这里就涉及到一些先后顺序：
为了完成 OCR，需要在电脑上安装三个软件：
三个软件的下载安装没有特殊的地方（tesseract 配置稍复杂但网络有上诸多教程，这里不再赘述），读者可自行搜索下载及配置
三、代码实现
首先导入需要的模块：
from wand.image import Image
from PIL import Image as PI
import pyocr
import pyocr.builders
import io
import glob
import re
import os
import shutil
具体的模块用途可以参考下面具体代码。其中 wand 和 pyocr 由于是非标准库需要自行额外安装。打开命令行输入：
pip install wand
pip install pyocr
作为测试以及方便后面的实际运行，需求中的 货物清单 这一文件夹可以放在桌面上。为了获取其中的内容首先我们要明确桌面的路径。每个人每台电脑的桌面路径都不相同，如果直接复制当前电脑桌面的路径，更换电脑或者其他用户调试就需要额外修改。可通过下面基于 os 模块的代码获取桌面路径：
# 获取桌面路径包装成一个函数
def GetDesktopPath():
return os.path.join(os.path.expanduser("~"), 'Desktop')
path = GetDesktopPath() + r'\货物清单' # 获取 货物清单 文件夹路径
获取配置好的 tesseract 便于后面调用：
tool = pyocr.get_available_tools()[0]
以 文件 (1).pdf 为例，通过 wand 模块将 PDF 文件转化为分辨率为 300 的 jpeg 图片形式：
image_pdf = Image(filename=path + r'\文件 (1).pdf', resolution=300)
image_jpeg = image_pdf.convert('jpeg')
将图片解析为二进制矩阵：
image_lst = []
for img in image_jpeg.sequence:
img_page = Image(image=img)
image_lst.append(img_page.make_blob('jpeg'))
用 io 模块的 BytesIO 方法读取二进制内容为图片形式：
new_img = PI.open(io.BytesIO(image_lst[0]))
由于图片现在处于左旋 90 度的水平位，将其转为正位可以用 rotate() 方法，注意该方法是逆时针旋转，因此回正位需要逆时针旋转 270 度。完善上面的代码，并为 new_img.show() 预览图片：
new_img = PI.open(io.BytesIO(image_lst[0])).rotate(270)
new_img.show()
弹出图片并恢复到了正位，接下来分别截取需要提取部位字符串的图片了，尽量让图片中只有需要识别的部分，获取识别出来容易简单处理获得需要的内容 截取图片用 image.crop((left, top, right, bottom))四个参数需要反复调试才能确定。首先提取 TRACKING# 部位需要的内容，经确定四个参数分别是 350 600 1350 730，尝试截取和预览图片：
### 解析1Z开头码
left = 350
top = 600
right = 1300
bottom = 730
image_obj1 = new_img.crop((left, top, right, bottom))
image_obj1.show()
截取成功后可以交给 OCR 了，代码为 tool.image_to_string()
txt1= tool.image_to_string(image_obj1)
print(txt1)
5通过正则提取红框内需要的内容：
req = 'TRACKING #: (.*)'
txt1_real = ''.join(re.findall(req, txt1)[0].split())
print(txt1_real)
用同样的办法也可以提取另一个红框的文字：
### 解析C开头码
left = 205
top = 1170
right = 2450
bottom = 1200
image_obj2 = new_img.crop((left, top, right, bottom))
txt2 = tool.image_to_string(image_obj2)
req = 'C.\d+\d'
txt2_real = re.findall(req, txt2)[0]
最后将两个字符串和 & 拼接为长字符串，然后通过 os.rename() 完成重命名文件的目的：
file_name = txt1_real + '&' + txt2_real
os.rename(path + r'\文件 (1).pdf', path + r'\{}.pdf'.format(file_name))
至此我们就完成了需求的一大步，接下来只需要借助 glob 模块遍历目标文件夹，对获取的每一个文件执行上面的操作即可，这样就将全部需求完成，所有的PDF均按照指定字段进行重命名
本文的分享就到这里，上面的 Python办公自动化 案例可以扩展到很多使用场景（核心为提取PDF指定内容+批量重命名），大家可以自己找一些文件测试学习，如果对你有所帮助可以给本文来一波三连～
