轉載請注明：陳熹 chenx6542@foxmail.com (簡書號：半為花間酒)

若公眾號內轉載請聯系公眾號：早起Python

本例可以學到的知識點：

使用 pdfplumber 提取 PDF 中的文字和表格

使用 fitz 提取 PDF 中的圖片

之前我們已經詳細介紹了批量 PDF 文件的處理，包括合并、拆分、水印、加密等， 批量PDF文件的處理

在文章中詳細剖析了每一行的原理。這里要說明的是，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

今天學習的 PDF 圖片提取亦如是。因此更多時候以理解為主，不需要完全掌握代碼書寫，會用會改即可

今天講解的練習數據是一份年度報告，里面有大量的文字、表格、圖片構成

一、模塊安裝

需要安裝兩個模塊，第一個是 pdfplumber

在 Windows 中調出命令行：

pip install pdfplumber

第二個是 fitz, 它是 pymupdf 中的一個模塊

在 Windows 中調出命令行：

pip install pymupdf

二、 PDF 文字提取

代碼思路：

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

用上述代碼嘗試提取示例數據中第 12 頁的文字：

import pdfplumber

file_path = r'C:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:

page = pdf.pages[11]

print(page.extract_text())

提取的內容可以通過導入 python-docx 并借助 wordfile.add_paragraph() 寫入 Word 文件

三、PDF 表格提取

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()

需要注意，.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() 觀察輸出情況

import pdfplumber

file_path = r'C:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:

page = pdf.pages[12]

print(page.extract_table())

是一個嵌套列表，熟悉這種格式的人會理解想到可以用 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

file_path = r'C:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:

page = pdf.pages[12]

print(page.extract_tables())

.extract_tables() 提取當前頁所有表格會產生了一個三級嵌套列表，第一層的列表就代表每一個表格

四、PDF 圖片提取

對于圖片提取，現在沒有任何一個模塊可以做到百分之百的提取。這邊只介紹基于 fitz 模塊的代碼，基本思路是通過正則查找圖片并將其輸出

import fitz

import re

import os

file_path = r'C:\xxx\practice.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)

成功提取了圖片，但 PDF 中的圖片遠不止這些。歡迎有興趣的讀者交流

總結

以上是生活随笔為你收集整理的python自动化pdf报告_[Python] 自动化办公 PDF提取文字、表格、图片的全部內容，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。