作者：陳熹

來源：早起Python

大家好，在之前的辦公自動化系列文章中我們已經詳細介紹了如何使用python批量處理PDF文件，包括合并、拆分、水印、加密等操作。

今天我們再次回到PDF，詳細講解如何使用python從PDF提取指定的信息。我們將以一份年度報告PDF為例進行介紹，內含大量文字、表格、圖片，具體如下

模塊安裝

首先需要安裝兩個模塊，第一個是pdfplumber，在命令行使用pip安裝即可

pip?install?pdfplumber

第二個是fitz, 它是pymupdf中的一個模塊，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

利用pdfplumber打開一個 PDF 文件

獲取指定的頁，或者遍歷每一頁

利用.extract_text()方法提取當前頁的文字

現在讓我們用上述代碼嘗試提取示例數據中第12頁的文字

import?pdfplumberfile_path?=?r'C:xxxxpractice.PDF'with?pdfplumber.open(file_path)?as?pdf:????page?=?pdf.pages[11]????print(page.extract_text())

結果如下圖所示

接著可以將內容通過導入python-docx并借助wordfile.add_paragraph()寫入Word文件中，而這個模塊我們已經講解很多次，此處就不再贅述。

表格信息提取

使用Python提取單個表格和提取單頁文字的代碼非常類似，用的是.extract_table()

但需要注意的是.extract_table()默認提取指定頁面的第一個表格，如果當前頁面有多個表格都需要提取，則要直接使用.extract_tables()

例如示例文件中第 13 頁有 2 個表格，我們分別利用.extract_table()和.extract_tables()觀察輸出結果

import?pdfplumberfile_path?=?r'C:xxxxpractice.PDF'with?pdfplumber.open(file_path)?as?pdf:????page?=?pdf.pages[12]????print(page.extract_table())

結果如下

可以看到是一個嵌套列表，熟悉這種格式的人會理解想到可以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?pdfplumberfile_path?=?r'C:xxxxpractice.PDF'with?pdfplumber.open(file_path)?as?pdf:????page?=?pdf.pages[12]????print(page.extract_tables())

而.extract_tables()提取當前頁所有表格會產生了一個三級嵌套列表，第一層的列表就代表每一個表格，之后也可以利用其他庫寫入Excel。

圖片提取

對于圖片提取，現在沒有任何一個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?fitzimport?reimport?osfile_path?=?r'C:xxxpractice.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?

結果如下

可以看到成功提取了圖片，但PDF中的圖片遠不止這些，如果你有其他思路或者方法可以在留言區與我交流。

寫在最后

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

當然還是希望大家能夠理解Python辦公自動化的一個核心就是批量操作-解放雙手，并且能與日常辦公結合讓復雜的工作自動化！

總結

以上是生活随笔為你收集整理的c++代码整洁之道pdf_别再问如何用python提取PDF内容了的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。