作者：陳熹
來(lái)源：早起Python/ target=_blank class=infotextkey>Python
大家好，在之前的辦公自動(dòng)化系列文章中我們已經(jīng)詳細(xì)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?cè)俅位氐絇DF，詳細(xì)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(bào)告PDF為例進(jìn)行介紹，內(nèi)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(gè)模塊，第一個(gè)是pdfplumber，在命令行使用pip安裝即可
pip install pdfplumber
第二個(gè)是fitz, 它是pymupdf中的一個(gè)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(kāi)一個(gè) PDF 文件
- 獲取指定的頁(yè)，或者遍歷每一頁(yè)
- 利用.extract_text()方法提取當(dāng)前頁(yè)的文字
現(xiàn)在讓我們用上述代碼嘗試提取示例數(shù)據(jù)中第12頁(yè)的文字
import pdfplumber
file_path = r'C:xxxxpractice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[11]
print(page.extract_text())
結(jié)果如下圖所示
接著可以將內(nèi)容通過(guò)導(dǎo)入python-docx并借助wordfile.add_paragraph()寫(xiě)入Word文件中，而這個(gè)模塊我們已經(jīng)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(gè)表格和提取單頁(yè)文字的代碼非常類(lèi)似，用的是.extract_table()
但需要注意的是.extract_table()默認(rèn)提取指定頁(yè)面的第一個(gè)表格，如果當(dāng)前頁(yè)面有多個(gè)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(yè)有 2 個(gè)表格，我們分別利用.extract_table()和.extract_tables()觀察輸出結(jié)果
import pdfplumber
file_path = r'C:xxxxpractice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_table())
結(jié)果如下
可以看到是一個(gè)嵌套列表，熟悉這種格式的人會(huì)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(xiě)入Excel文件中，
import pdfplumber
file_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(dāng)前頁(yè)所有表格會(huì)產(chǎn)生了一個(gè)三級(jí)嵌套列表，第一層的列表就代表每一個(gè)表格，之后也可以利用其他庫(kù)寫(xiě)入Excel。
圖片提取
對(duì)于圖片提取，現(xiàn)在沒(méi)有任何一個(gè)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(guò)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(xiě)
import fitz
import re
import os
file_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 < 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)
結(jié)果如下
可以看到成功提取了圖片，但PDF中的圖片遠(yuǎn)不止這些，如果你有其他思路或者方法可以在留言區(qū)與我交流。
寫(xiě)在最后
最后要說(shuō)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(duì)PDF的模塊較多，且有些模塊功能并不完善，代碼也沒(méi)有類(lèi)似office三件套操作那般簡(jiǎn)潔，因此更多時(shí)候以理解為主，不需要完全掌握寫(xiě)，會(huì)用會(huì)改即可！
當(dāng)然還是希望大家能夠理解Python辦公自動(dòng)化的一個(gè)核心就是批量操作-解放雙手，并且能與日常辦公結(jié)合讓復(fù)雜的工作自動(dòng)化！
