别再问如何用 Python 提取 PDF 内容了！

会员服务 ·

别再问如何用 Python 提取 PDF 内容了！

2020 年 11 月 23 日 CSDN

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👇

        
        
          
         
         
           
          
          
            
         
         
           
         
         
           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 pdfplumberfile_path = r'C:\xxxx\practice.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 pdfplumberfile_path = r'C:\xxxx\practice.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 pdfplumberfile_path = r'C:\xxxx\practice.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 fitzimport reimport 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)

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！

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