很多時候，我們并不會預知希望提取的頁號，而是希望將包含指定內容的頁面提取合并為新PDF，本文就以兩個真實需求為例進行講解。

01

需求描述

數據是一份有286頁的上市公司公開年報PDF，大致如下

現在需要利用 Python 完成以下兩個需求

“

需求一：提取所有包含 戰略 二字的頁面并合并新PDF

需求二：提取所有包含圖片的頁面，并分別保存為 PDF 文件

”

02

前置知識和邏輯梳理

2.1 PyPDF2 模塊實現合并

PyPDF2 導入模塊的代碼常常是：

from?PyPDF2?import?PdfFileReader,?PdfFileWriter

這里導入了兩個方法：

PdfFileReader 可以理解為讀取器

PdfFileWriter 可以理解為寫入器

利用 PyPDF2 實現合并運用的一下邏輯：

讀取器將所有pdf讀取一遍

讀取器將讀取的內容交給寫入器

寫入器統一輸出到一個新pdf

隱含知識點：讀取器只能將讀取的內容一頁一頁交給寫入器

2.2 獲取與添加頁面

之前我們的推文中提到這兩個代碼，下面列出作為復習：

.getPage 獲取特定頁

.addPage 添加特定頁

2.3 圖片和文字的處理

要實現本文的需求還要做到很重要的一個判斷：確定頁面中有無包含的文字或圖片

判斷是否包含特定的文字比較簡單，遍歷每一頁的時候都將包含的文本抽提出，做字符串層面的判斷即可，代碼思路：

利用 pdfplumber 打開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

判斷 “戰略” 是否在提取的文字中

判斷是否包含圖片，思路和上面是類似的，但方法不同。圖片考慮用正則的方法識別，用 fitz 和 re 配合，具體見下文代碼

03

代碼實現

3.1 需求一的實現

首先來完成需求一的任務，導入需要用到的庫：讀取寫入PDF文件的 PyPDF2 以及抽提文本的 pdfplumber

from?PyPDF2?import?PdfFileReader,?PdfFileWriter import?pdfplumber

指定文件所在的路徑，同時初始化寫入器，將文件交給讀取器：

path?=?r'C:\xxxxxx' pdf_writer?=?PdfFileWriter() pdf_reader?=?PdfFileReader(path?+?r'\公司年報.PDF')

以上下文管理器形式通過 pdfplumber 打開文件，同時用 .getNumPages 獲取讀取器的最大頁利于遍歷每一頁來抽提文字：

with?pdfplumber.open(path?+?r'\公司年報.PDF')?as?pdf:for?i?in?range(pdf_reader.getNumPages()):page?=?pdf.pages[i]print(page.extract_text())

我們抽提文字的目的是用來判斷，將符合要求的頁碼作為讀取器 .getPage 的參數，最后用 .addPage 交給寫入器：

with?pdfplumber.open(path?+?r'\公司年報.PDF')?as?pdf:for?i?in?range(pdf_reader.getNumPages()):page?=?pdf.pages[i]print(page.extract_text())if?'戰略'?in?page.extract_text():pdf_writer.addPage(pdf_reader.getPage(i))print(i?+?1,?page.extract_text())

完成識別后讓寫入器輸出為需要的文件名：

with?open(path?+?r'\new_公司年報.pdf',?'wb')?as?out:pdf_writer.write(out)

至此，我們就完成了包含特定文字內容頁面的提取，并整合成一個PDF。所有的頁面均包含“戰略”二字：

需求一完整代碼如下，感興趣的讀者可以自行研究

from?PyPDF2?import?PdfFileReader,?PdfFileWriter import?pdfplumberpath?=?r'C:\xxx' pdf_writer?=?PdfFileWriter() pdf_reader?=?PdfFileReader(path?+?r'\公司年報.PDF')with?pdfplumber.open(path?+?r'\公司年報.PDF')?as?pdf:for?i?in?range(pdf_reader.getNumPages()):page?=?pdf.pages[i]print(page.extract_text())if?'戰略'?in?page.extract_text():pdf_writer.addPage(pdf_reader.getPage(i))print(i?+?1,?page.extract_text())with?open(path?+?r'\new_公司年報1.pdf',?'wb')?as?out:pdf_writer.write(out)

3.2 需求二的實現

接下來完成需求二的任務。首先導入需要的庫：

from?PyPDF2?import?PdfFileReader,?PdfFileWriter import?fitz import?re import?os

指定文件所在的路徑：

path?=?r'C:\xxxxxx'

正則識別圖片的部分不細講，之前的推文已經介紹過，我們直接看代碼：

page_lst?=?[] checkImg?=?r"/Subtype(?=?*/Image)" pdf?=?fitz.open(path?+?r'\公司年報.PDF') lenXREF?=?pdf._getXrefLength()for?i?in?range(lenXREF):text?=?pdf._getXrefString(i)isImage?=?re.search(checkImg,?text)if?isImage:page_lst.append(i)print(page_lst)

獲取到所有包含圖片的頁面后，再結合讀取器和寫入器的配合就能完成新 PDF 的產生。注意本需求是所有圖片單獨輸出，因此獲取到頁面后交給寫入器直接輸出成文件：

pdf_reader?=?PdfFileReader(path?+?r'\公司年報.PDF') for?page?in?page_lst:pdf_writer?=?PdfFileWriter()pdf_writer.addPage(pdf_reader.getPage(page))with?open(path?+?r'\公司年報_{}.pdf'.format(page?+?1),?'wb')?as?out:pdf_writer.write(out)

至此也完成了第二個需求。需要說明的是目前沒有非常完美提取PDF圖片的方法，本案例介紹的方法識別圖片也并不穩定。讀者可以利用自己的數據多做嘗試。完整代碼如下：

from?PyPDF2?import?PdfFileReader,?PdfFileWriter import?fitz import?re import?ospath?=?r'C:\xxx'page_lst?=?[] checkImg?=?r"/Subtype(?=?*/Image)" pdf?=?fitz.open(path?+?r'\公司年報.PDF') lenXREF?=?pdf._getXrefLength() for?i?in?range(lenXREF):text?=?pdf._getXrefString(i)isImage?=?re.search(checkImg,?text)if?isImage:page_lst.append(i)print(page_lst)pdf_reader?=?PdfFileReader(path?+?r'\公司年報.PDF') for?page?in?page_lst:pdf_writer?=?PdfFileWriter()pdf_writer.addPage(pdf_reader.getPage(page))with?open(path?+?r'\公司年報_{}.pdf'.format(page?+?1),?'wb')?as?out:pdf_writer.write(out)

實現這兩個單個需求后，就可以將相關代碼封裝并結合os等模塊實現批量操作，解放雙手。

END

推薦閱讀牛逼！Python常用數據類型的基本操作（長文系列第①篇） 牛逼！Python的判斷、循環和各種表達式（長文系列第②篇）牛逼！Python函數和文件操作（長文系列第③篇）牛逼！Python錯誤、異常和模塊（長文系列第④篇） 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的实用脚本！Python 提取 PDF 指定内容生成新文件！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。