公眾號后臺回復(fù)“圖書“，了解更多號主新書內(nèi)容

作者：陳熹

來源：早起Python

導(dǎo)讀

大家好，在之前的辦公自動化系列文章中我們已經(jīng)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(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(xiàn)在讓我們用上述代碼嘗試提取示例數(shù)據(jù)中第12頁的文字👇

import?pdfplumber

結(jié)果如下圖所示接著可以將內(nèi)容通過導(dǎo)入python-docx并借助wordfile.add_paragraph()寫入Word文件中，而這個模塊我們已經(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(jié)果

import?pdfplumber
file_path?=?r'C:\xxxx\practice.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?pdfplumber

而.extract_tables()提取當前頁所有表格會產(chǎn)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(xiàn)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?fitz

結(jié)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(qū)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(jié)合讓復(fù)雜的工作自動化！

今天的文章就到這里，原創(chuàng)不易，如果喜歡的話請給我一波三連支持吧(在看、轉(zhuǎn)發(fā)、留言)

◆?◆?◆ ?◆?◆

麟哥新書已經(jīng)在當當上架了，我寫了本書：《拿下Offer-數(shù)據(jù)分析師求職面試指南》，目前當當正在舉行活動，大家可以用相當于原價5折的預(yù)購價格購買，還是非常劃算的：

點擊下方小程序即可進入購買頁面：

數(shù)據(jù)森麟公眾號的交流群已經(jīng)建立，許多小伙伴已經(jīng)加入其中，感謝大家的支持。大家可以在群里交流關(guān)于數(shù)據(jù)分析&數(shù)據(jù)挖掘的相關(guān)內(nèi)容，還沒有加入的小伙伴可以掃描下方管理員二維碼，進群前一定要關(guān)注公眾號奧，關(guān)注后讓管理員幫忙拉進群，期待大家的加入。

管理員二維碼：

猜你喜歡

●?麟哥拼了！！！親自出鏡推薦自己新書《數(shù)據(jù)分析師求職面試指南》

●?厲害了！麟哥新書登頂京東銷量排行榜！

●?笑死人不償命的知乎沙雕問題排行榜

●?用Python扒出B站那些“驚為天人”的阿婆主！

●?你相信逛B站也能學編程嗎

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。