别再问如何用python提取pdf内容了-凯发平台
作者：陈熹
来源：早起python/ target=_blank class=infotextkey>python
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、加密等操作。
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
pip install pdfplumber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
pip install pymupdf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
import pdfplumber
file_path = r'c:xxxxpractice.pdf'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[11]
print(page.extract_text())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
import pdfplumber
file_path = r'c:xxxxpractice.pdf'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_table())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，
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
import fitz
import re
import os
file_path = r'c:xxxpractice.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)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！