案件整体扫描后自动识别分割整理

最近收到上千个判决书,如果一个个扫描再按案件号标注文件名的话,估计要加班熬几个夜晚,为何不用python呢?
初步的工作思路是这样的:1.把判决书分几个批次整体扫描;2.用paddleocr自动识别分割每一个案件单独保存为一个pdf文件;3.用包含部门、客户名、贷款账号、案件号的案件台账清单重新整理第二步生成的文件的文件名。
第一步用单位几万块钱一台的扫描机很快就完成了;
第二步开始:

import pandas as pd
import numpy as np
import pdfplumber
from pypdf import PdfReader,PdfWriter
import os
import re
from io import BytesIO
from paddleocr import PaddleOCR
from PIL import Image
import random
import shutil
lawfilepath="/media/sda4/downloads/裁判文书/收集所有判决书/"
tofile="/media/sda4/downloads/裁判文书/gen/"
#同一个文件夹下可能有文件夹或文件
def getfilepath(filepath):
    filepath=filepath
    pathlist=[]
    for root,_,files in os.walk(filepath):
        pathlist.extend([os.path.join(root,f) for f in files])
    return pathlist
#从记录出错的文本里面提取先前保存的文件路径,这样可以避免全部重新运行
def tolist(spath):
    spath=spath
    with open (spath,"r") as f:
        text=f.read()
        getlist=re.findall(r"(\/media.*?pdf)",text)
        return getlist

#识别图片,提取文本
def recimg(img):
    image=img
    #用一个中间件
    buf=BytesIO()
    image.save(buf,format="png")
    buf.seek(0)
    #有GPU就用GPU版的Paddle吧,快很多
    ocr=PaddleOCR(rec_model_dir="/home/mr-xu/.paddleocr/whl/rec/ch/ch_PP-OCRv3_rec_infer",
                rec_image_shape="3,96,640",
                use_gpu=True,lang="ch")
    text=ocr.ocr(np.array(Image.open(buf).convert("RGB")),cls=True)
    newtext="".join([i[1][0] for i in text[0]])
    return newtext

#初步生成Pdf文件
def genpdf(getpath,topath):
    filelist=getfilepath(getpath)
    for file in filelist:
        #可以统计运行过程中读取过什么文件了
        with open(tofile+"已读取的文件.txt","a") as af:
            af.write(file)
        print(file)
        #有时候你永远不知道雷有没有排完
        try:
            with pdfplumber.open(file) as pdffile:
                pdfreader=PdfReader(file)
                pdfwriter=PdfWriter()
                flag=False
                #防止有些案子没读到首页出错,暂定为这个name吧
                name="没表头"
                for n in range(len(pdffile.pages)):
                    page=pdffile.pages[n]
                    #里面的参数要注意,默认的分辨率很低,对后面的识别影响很大
                    image=page.to_image(resolution=300)
                    text=recimg(image)
                    #这里不对text截取,因为可能会超出范围。
                    #下面的条件判断依据是根据经验的
                    if "民事判决书" in text and "《民事判决书》" not in text:
                        #正则表达式提取到案号,表明一个案子的开始
                        name="民事判决书-"+re.findall(r"([(|\(]20.*?号)",text)[0]
                        flag=True
                    if "民事裁定书" in text and "《民事裁定书》" not in text:
                        name="民事裁定书-"+re.findall(r"([(|\(]20.*?号)",text)[0]
                        flag=True
                    if "民事调解书" in text and "《民事调解书》" not in text:
                        name="民事调解书-"+re.findall(r"([(|\(]20.*?号)",text)[0]
                        flag=True
                    if flag:
                        pdfwriter.add_page(pdfreader.pages[n])
                        #以下根据经验表明是一个案件的结束
                        if "核对无异" in text or "审判员" in text or "审判长" in text:
                            if "由审判员" not in text:
                                if "各方当事人" not in text:
                                    with open(topath+name+".pdf","wb") as f:
                                        pdfwriter.write(f)
                                        print("已保存"+name)
                                        pdfwriter=PdfWriter()
                                        flag=False
        except Exception as e:
            with open(topath+"出错的文件.txt","a+") as f:
                f.write(file)
            continue

至此,已经是一个案件一个pdf文件了,但文件名还是有些简单且不统一,需要再次整理,其实第三步可以和第二步同时进行。
第三步开始:

def manuname(name):
    name=name
    lawsuitname=name.split("-")[0]
    lawsuitnum=name.split("-")[1]
    if lawsuitnum.startswith("("):
        lawsuitnum=lawsuitnum.replace("(","(")
    if lawsuitnum.startswith("书"):
        lawsuitnum=lawsuitnum.replace("书","(")
    if ")" in lawsuitnum:
        lawsuitnum=lawsuitnum.replace(")",")")
    lawsuitnum=re.sub(r"原告.*?号","号",lawsuitnum)
    lawsuitnum=lawsuitnum.replace(".pdf","")
    return lawsuitname,lawsuitnum
    
def complete_name(fromdir,todir):
    fromdir=fromdir
    todir=todir
    filelist=[file for file in os.listdir(fromdir) if file.endswith(".pdf")]
    df=pd.read_excel("/media/sda4/downloads/裁判文书/案件情况表.xlsx")
    notinlist=[]
    inlist=[]
    i=1
    for file in filelist:
        print(file)
        lawsuitname,lawsuitnum=manuname(file)
        if lawsuitnum in list(df["案号"]):
            print(i,lawsuitnum)
            i+=1
            inlist.append(lawsuitnum)
            account=df[df["案号"]==lawsuitnum]["贷款账号"].values[0]
            people=df[df["案号"]==lawsuitnum]["被告"].values[0]
            company=df[df["案号"]==lawsuitnum]["社部"].values[0]
            if not os.path.exists(todir+company):
                os.mkdir(todir+company)
            newname=company+"-"+people+"-"+str(account)+"-"+lawsuitnum+"-"+lawsuitname+".pdf"
            sourcedir=fromdir+file
            destdir=todir+company+"/"+newname
            print(destdir)
            shutil.copyfile(sourcedir,destdir)
        else:
            notinlist.append(lawsuitnum)
    with open("/media/sda4/downloads/裁判文书/不在清单中的案号.txt","a") as f:
        f.write("/".join(notinlist))
    df["是否有扫描件"]=np.where(df["案号"].isin(inlist),"有","没有")
    df.to_excel("/media/sda4/downloads/裁判文书/已匹配是否有扫描件.xlsx",index=False)

最后,运行代码

if __name__=="__main__":
    # genpdf(lawfilepath,tofile)
    # complete_name("/media/sda4/downloads/裁判文书/gen/","/media/sda4/downloads/裁判文书/整理好的文件夹/")
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,496评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,407评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,632评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,180评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,198评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,165评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,052评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,910评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,324评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,542评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,711评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,424评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,017评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,668评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,823评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,722评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,611评论 2 353

推荐阅读更多精彩内容