+-
作者 | 陈熹
头图 | CSDN 下载自东方 IC
来源 | 早起Python(ID: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👇
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
文字信息提取
使用Python提取PDF中文字代码思路如下
利用 pdfplumber 打开一个 PDF 文件
获取指定的页,或者遍历每一页
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👇
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() 和 .extract_tables() 观察输出结果
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 的 sheet.append(list) 写入Excel文件中,
而 .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👇
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!
pip install pdfplumber
pip install pymupdf
import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[11]
print(page.extract_text())
import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_table())
import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_tables())
import fitz
import re
import 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)
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 张图了
点分享 点点赞 点在看