江苏龙网

  1. 主页 > 生活百科 > >

别再问如何用python提取PDF内容了

Pythonpdf

作者：陈熹
来源：早起Python
大家好，在之前的办公自动化系列文章中我们已经详细介绍了如何使用python批量处理PDF文件，包括合并、拆分、水印、加密等操作 。
今天我们再次回到PDF，详细讲解如何使用python从PDF提取指定的信息 。我们将以一份年度报告PDF为例进行介绍，内含大量文字、表格、图片，具体如下

别再问如何用python提取PDF内容了

文章插图
 
模块安装
首先需要安装两个模块，第一个是pdfplumber，在命令行使用pip安装即可
pip install pdfplumber第二个是fitz, 它是pymupdf中的一个模块，同样可以使用pip轻松安装
pip install pymupdf文字信息提取
使用python提取PDF中文字代码思路如下
  1. 利用pdfplumber打开一个 PDF 文件
  2. 获取指定的页，或者遍历每一页
  3. 利用.extract_text()方法提取当前页的文字

别再问如何用python提取PDF内容了

文章插图
 
现在让我们用上述代码尝试提取示例数据中第12页的文字
别再问如何用python提取PDF内容了

文章插图
 
import pdfplumberfile_path = r'C:xxxxpractice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[11]    print(page.extract_text())结果如下图所示
别再问如何用python提取PDF内容了

文章插图
 
接着可以将内容通过导入python-docx并借助wordfile.add_paragraph()写入Word文件中，而这个模块我们已经讲解很多次，此处就不再赘述 。
表格信息提取
使用Python提取单个表格和提取单页文字的代码非常类似，用的是.extract_table()
别再问如何用python提取PDF内容了

文章插图
 
但需要注意的是.extract_table()默认提取指定页面的第一个表格，如果当前页面有多个表格都需要提取，则要直接使用.extract_tables()
例如示例文件中第 13 页有 2 个表格，我们分别利用.extract_table()和.extract_tables()观察输出结果
别再问如何用python提取PDF内容了

文章插图
 
import pdfplumberfile_path = r'C:xxxxpractice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[12]    print(page.extract_table())结果如下
别再问如何用python提取PDF内容了

文章插图
 
可以看到是一个嵌套列表，熟悉这种格式的人会理解想到可以pandas或者遍历该嵌套列表后借助openpyxl的sheet.Append(list)写入Excel文件中，
import pdfplumberfile_path = r'C:xxxxpractice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[12]    print(page.extract_tables())
别再问如何用python提取PDF内容了

文章插图
 
而.extract_tables()提取当前页所有表格会产生了一个三级嵌套列表，第一层的列表就代表每一个表格，之后也可以利用其他库写入Excel 。
图片提取
对于图片提取，现在没有任何一个模块可以做到百分之百的提取 。本文只介绍基于fitz模块的代码，基本思路是通过正则查找图片并将其输出
例如提取示例文件中的图片，代码可以这么写
import fitzimport reimport osfile_path = r'C:xxxpractice.PDF'dir_path = r'C:xxx' # 存放图片的文件夹def pdf2pic(path, pic_path):    checkXO = r"/Type(?= */XObject)"    checkIM = r"/Subtype(?= */Image)"    pdf = fitz.open(path)    lenXREF = pdf._getXrefLength()    imgcount = 0    for i in range(1, lenXREF):        text = pdf._getXrefString(i)        isXObject = re.search(checkXO, text)        isImage = re.search(checkIM, text)        if not isXObject or not isImage:            continue        imgcount += 1        pix = fitz.Pixmap(pdf, i)        new_name = f"img_{imgcount}.png"        if pix.n < 5:            pix.writePNG(os.path.join(pic_path, new_name))        else:            pix0 = fitz.Pixmap(fitz.csRGB, pix)            pix0.writePNG(os.path.join(pic_path, new_name))            pix0 = None        pix = Nonepdf2pic(file_path, dir_path)


推荐阅读


上一篇：可以在哪买六安瓜片,安徽六安六安瓜片

下一篇：霍山黄芽加工工艺先容,霍山黄芽品赏先容