别再问如何用 Python 提取 PDF 内容了!

2020 年 11 月 23 日 CSDN

作者 | 陈熹 
头图 | CSDN 下载自东方 IC
来源 | 早起PythonID:zaoqi-python)

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
  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
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() .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 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())
.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)
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!

更多精彩推荐

2020 最烂密码 TOP 200 大曝光,霸榜的竟然是它?

腾讯 AI 医学进展破解“秃头”难题,登 Nature 子刊!

小鹏汽车CEO疑似隔空回应偷窃技术传闻;苹果明年新款iPhone将使用增强版5nm芯片;Windows诞生35周年|极客头条

用Python分析5000+抖音大V,粉丝最喜欢的视频类型是它

亿级大表分库分表实战总结(万字干货,实战复盘)

优秀!一鼓作气学会“一致性哈希”,就靠这 18 张图

                
                
                  
点分享
点点赞
点在看
登录查看更多
0

相关内容

Python是一种面向对象的解释型计算机程序设计语言,在设计中注重代码的可读性,同时也是一种功能强大的通用型语言。
专知会员服务
142+阅读 · 2020年12月28日
专知会员服务
91+阅读 · 2020年12月26日
【2020干货书】Python3基础导论介绍,98页pdf
专知会员服务
100+阅读 · 2020年10月11日
【2020新书】C++20快速语法参考,第4版,209页pdf
专知会员服务
71+阅读 · 2020年8月5日
流畅的Python 中英文版 PDF 高清电子书
专知会员服务
80+阅读 · 2020年8月2日
【高能所】如何做好⼀份学术报告& 简单介绍LaTeX 的使用
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
19+阅读 · 2019年10月28日
【初学者系列】tensorboard学习笔记
专知
7+阅读 · 2019年10月4日
Python用于NLP :处理文本和PDF文件
Python程序员
4+阅读 · 2019年3月27日
Python NLP入门教程
七月在线实验室
7+阅读 · 2018年6月5日
实战 | 用Python做图像处理(三)
七月在线实验室
15+阅读 · 2018年5月29日
Python Matplotlib 绘图使用指南 (附代码)
AI研习社
7+阅读 · 2018年5月21日
Python 爬虫实践:《战狼2》豆瓣影评分析
数据库开发
5+阅读 · 2018年3月19日
如何用Python从海量文本抽取主题?
AI研习社
7+阅读 · 2017年7月6日
Arxiv
0+阅读 · 2021年2月1日
Arxiv
0+阅读 · 2021年1月31日
Arxiv
0+阅读 · 2021年1月30日
Arxiv
3+阅读 · 2019年9月5日
Arxiv
4+阅读 · 2018年2月13日
Arxiv
4+阅读 · 2018年1月19日
VIP会员
相关VIP内容
专知会员服务
142+阅读 · 2020年12月28日
专知会员服务
91+阅读 · 2020年12月26日
【2020干货书】Python3基础导论介绍,98页pdf
专知会员服务
100+阅读 · 2020年10月11日
【2020新书】C++20快速语法参考,第4版,209页pdf
专知会员服务
71+阅读 · 2020年8月5日
流畅的Python 中英文版 PDF 高清电子书
专知会员服务
80+阅读 · 2020年8月2日
【高能所】如何做好⼀份学术报告& 简单介绍LaTeX 的使用
相关资讯
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
19+阅读 · 2019年10月28日
【初学者系列】tensorboard学习笔记
专知
7+阅读 · 2019年10月4日
Python用于NLP :处理文本和PDF文件
Python程序员
4+阅读 · 2019年3月27日
Python NLP入门教程
七月在线实验室
7+阅读 · 2018年6月5日
实战 | 用Python做图像处理(三)
七月在线实验室
15+阅读 · 2018年5月29日
Python Matplotlib 绘图使用指南 (附代码)
AI研习社
7+阅读 · 2018年5月21日
Python 爬虫实践:《战狼2》豆瓣影评分析
数据库开发
5+阅读 · 2018年3月19日
如何用Python从海量文本抽取主题?
AI研习社
7+阅读 · 2017年7月6日
相关论文
Arxiv
0+阅读 · 2021年2月1日
Arxiv
0+阅读 · 2021年1月31日
Arxiv
0+阅读 · 2021年1月30日
Arxiv
3+阅读 · 2019年9月5日
Arxiv
4+阅读 · 2018年2月13日
Arxiv
4+阅读 · 2018年1月19日
Top
微信扫码咨询专知VIP会员