别再问如何用 Python 提取 PDF 内容了

老三的休闲书屋 2020-11-24

展开全文

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。

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👇

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

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👇

import pdfplumberfile_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

import pdfplumberfile_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，

import pdfplumberfile_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👇

import fitzimport reimport 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)