转载： zxdst chenx6542@foxmail.com 缩写：一半为花间酒) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )
在公众号内转载时请联系公众号：早起Python
在本例中可以学到的知识点：
使用pdf播放器从pdf中提取文本和表格
使用fitz从PDF中提取图像
以前详细说明了批量PDF文件的处理。 这包括合并、拆分、水印和加密。 处理批量PDF文件
文章中详细分析了各行的原理。 这里介绍的是面向PDF的模块很多，有些模块功能不完整，代码也不像OFFICE三点式操作那样简洁
今天学习的PDF图像的提取也是如此。 因此，多以理解为主，不需要完全掌握代码表示，只要能使用就可以了
今天说明的练习数据是年度报告，里面有很多文字、表格和照片
一.模块安装
需要安装两个模块。 第一个是pdf播放器
在Windows上调用命令行：
pip install pdfplumber
第二个是fitz，这是pymupdf的模块
在Windows上调用命令行：
pip install pymupdf
二. PDF文字提取
代码思想：
在PDFplumber中打开pdf文件
获取指定的页面或遍历每页
使用. extract_text )方法提取当前页面的文本
尝试使用上述代码提取示例数据第12页中的字符。
导入pdf播放器
file _ path=r ‘ c :\xxxx\practice.pdf ‘
withpdfplumber.openfile_path ) as pdf:
page=pdf.pages[11]
printpage.extract_text ) )
可以导入python-docx并使用Wordfile.add_paragraph )将提取的内容写入word文件
三. PDF表格提取
提取单个表的代码与使用. extract_table )提取单页字符的代码非常类似
请注意. extract_table )缺省情况下会读取指定页面上的第一个表。 如果当前页需要读取多个表，请直接使用. extract_tables ) )
例如，示例文件的第13页包含两个表。 分别使用. extract_table 和. extract_tables )观察输出情况
导入pdf播放器
file _ path=r ‘ c :\xxxx\practice.pdf ‘
withpdfplumber.openfile_path ) as pdf:
page=pdf.pages[12]
printpage.extract_table ) )
是嵌套列表，熟悉此格式的人将理解，可以使用pandas或遍历嵌套列表并使用openpyxl sheet.append list )写入Excel文件
导入pdf播放器
file _ path=r ‘ c :\xxxx\practice.pdf ‘
withpdfplumber.openfile_path ) as pdf:
page=pdf.pages[12]
printpage.extract_tables )
. extract_tables )提取当前页面中的所有表将生成三阶段嵌套列表，第一阶段列表表示每个表
四. PDF图像提取
关于图像提取，目前没有能够100%提取的模块。 这里只介绍基于fitz模块的代码，基本的想法是正则的，寻找图像并输出
import fitz
导入re
import os
file _ path=r ‘ c :\XXX\practice.pdf ‘
dir_path=r’C:\xxx’ #用于存储图像的文件夹
efpdf2picpath，pic_path ) :
checkXO=r’/Type ？=*/XObject ‘
checkIM=r’/Subtype？=*/Image ‘
pdf=fitz.openpath )
lenXREF=pdf._getXrefLength
imgcount=0
forIinrange1，lenXREF ) :
text=pdf._getxrefstringI ) )
isxobject=re.searchcheckxo，text ) ) ) ) ) ) ) ) ) )。
isimage=re.searchcheckim，text ) ) ) ) ) ) ) ) ) )。
ifnotisxobjectornotisimage :
continue
imgcount =1
pix=fitz.pixmappdf，I ) )。
new_name=f’img_{imgcount}.png ‘
if pix.n 5:
pix.writepngOS.path.join ) pic_path，new_name ) )
else:
pix0=fitz.pixmapfitz.csRGB，pix ) )。
pix0.writepngOS.path.join ) pic_path，new_name ) )
pix0=None
pix=None
pdf2picfile_path，dir_path ) )。
图像提取成功，但PDF中的图像还不止这些。 欢迎感兴趣的读者交流