| 别再问如何用Python提取PDF内容了！ | 您所在的位置：网站首页 › 如何从pdf文件中提取一页文字内容 › 别再问如何用Python提取PDF内容了！ |
别再问如何用Python提取PDF内容了！
|
导读 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  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? 代码语言：javascript复制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 代码语言：javascript复制pip install pymupdf文字信息提取使用Python提取PDF中文字代码思路如下 利用pdfplumber打开一个 PDF 文件获取指定的页，或者遍历每一页利用.extract_text()方法提取当前页的文字 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?  代码语言：javascript复制import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[11]
print(page.extract_text())结果如下图所示  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()  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  代码语言：javascript复制import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_table())结果如下  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， 代码语言：javascript复制import pdfplumber file_path = r'C:\xxxx\practice.PDF' with pdfplumber.open(file_path) as pdf: page = pdf.pages[12] print(page.extract_tables()) 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? 代码语言：javascript复制import fitz import re import os file_path = r'C:\xxx\practice.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 = None pdf2pic(file_path, dir_path)结果如下  可以看到成功提取了图片，但PDF中的图片远不止这些，如果你有其他思路或者方法可以在留言区与我交流。 写在最后最后要说明的是，在上一篇文章及本文中我们剖析了每一行代码。但针对PDF的模块较多，且有些模块功能并不完善，代码也没有类似OFFICE三件套操作那般简洁，因此更多时候以理解为主，不需要完全掌握写，会用会改即可！ 当然还是希望大家能够理解Python办公自动化的一个核心就是批量操作-解放双手，并且能与日常办公结合让复杂的工作自动化！ -END- 本文为公众号早起Python专栏作者陈熹原创，转载请后台联系，未经授权的任何形式转载均视为侵权！ |
【本文地址】