別再問(wèn)如何用Python提取PDF內(nèi)容了！

導(dǎo)讀

大家好，在之前的辦公自動(dòng)化系列文章中我們已經(jīng)詳細(xì)介紹了?如何使用Python批量處理PDF文件，包括合并、拆分、水印、加密等操作。

今天我們?cè)俅位氐絇DF，詳細(xì)講解如何使用Python從PDF提取指定的信息。我們將以一份年度報(bào)告PDF為例進(jìn)行介紹，內(nèi)含大量文字、表格、圖片，具體如下

模塊安裝

首先需要安裝兩個(gè)模塊，第一個(gè)是pdfplumber，在命令行使用pip安裝即可?

pip?install?pdfplumber

第二個(gè)是fitz, 它是pymupdf中的一個(gè)模塊，同樣可以使用pip輕松安裝

pip?install?pymupdf

文字信息提取

使用Python提取PDF中文字代碼思路如下

1. 利用pdfplumber打開一個(gè) PDF 文件
2. 獲取指定的頁(yè)，或者遍歷每一頁(yè)
3. 利用.extract_text()方法提取當(dāng)前頁(yè)的文字

現(xiàn)在讓我們用上述代碼嘗試提取示例數(shù)據(jù)中第12頁(yè)的文字?

import?pdfplumber
file_path?=?r'C:\xxxx\practice.PDF'

with?pdfplumber.open(file_path)?as?pdf:
????page?=?pdf.pages[11]
????print(page.extract_text())

結(jié)果如下圖所示接著可以將內(nèi)容通過(guò)導(dǎo)入python-docx并借助wordfile.add_paragraph()寫入Word文件中，而這個(gè)模塊我們已經(jīng)講解很多次，此處就不再贅述。

表格信息提取

使用Python提取單個(gè)表格和提取單頁(yè)文字的代碼非常類似，用的是.extract_table()但需要注意的是.extract_table()默認(rèn)提取指定頁(yè)面的第一個(gè)表格，如果當(dāng)前頁(yè)面有多個(gè)表格都需要提取，則要直接使用.extract_tables()

例如示例文件中第 13 頁(yè)有 2 個(gè)表格，我們分別利用.extract_table()和.extract_tables()觀察輸出結(jié)果

import?pdfplumber
file_path?=?r'C:\xxxx\practice.PDF'

with?pdfplumber.open(file_path)?as?pdf:
????page?=?pdf.pages[12]
????print(page.extract_table())

結(jié)果如下可以看到是一個(gè)嵌套列表，熟悉這種格式的人會(huì)理解想到可以pandas或者遍歷該嵌套列表后借助openpyxl的sheet.append(list)寫入Excel文件中，

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()提取當(dāng)前頁(yè)所有表格會(huì)產(chǎn)生了一個(gè)三級(jí)嵌套列表，第一層的列表就代表每一個(gè)表格，之后也可以利用其他庫(kù)寫入Excel。

圖片提取

對(duì)于圖片提取，現(xiàn)在沒(méi)有任何一個(gè)模塊可以做到百分之百的提取。本文只介紹基于fitz模塊的代碼，基本思路是通過(guò)正則查找圖片并將其輸出

例如提取示例文件中的圖片，代碼可以這么寫?

import?fitz
import?re
import?os

file_path?=?r'C:\xxx\practice.PDF'
dir_path?=?r'C:\xxx'?#?存放圖片的文件夾

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)

結(jié)果如下可以看到成功提取了圖片，但PDF中的圖片遠(yuǎn)不止這些，如果你有其他思路或者方法可以在留言區(qū)與我交流。

寫在最后

最后要說(shuō)明的是，在上一篇文章及本文中我們剖析了每一行代碼。但針對(duì)PDF的模塊較多，且有些模塊功能并不完善，代碼也沒(méi)有類似OFFICE三件套操作那般簡(jiǎn)潔，因此更多時(shí)候以理解為主，不需要完全掌握寫，會(huì)用會(huì)改即可！

當(dāng)然還是希望大家能夠理解Python辦公自動(dòng)化的一個(gè)核心就是批量操作-解放雙手，并且能與日常辦公結(jié)合讓復(fù)雜的工作自動(dòng)化！

今天的文章就到這里，原創(chuàng)不易，如果喜歡的話請(qǐng)給我一波三連支持吧(在看、轉(zhuǎn)發(fā)、留言)