Python在实际工作中的运用-提取Pdf文件内容

Pdf文件是我们日常工作中经常会遇到的一种文件格式，对于这种文件的提取 pdfplumber 库可以非常出色的完成处理工作，它是一个纯 Python 第三方库，适合 python 3.x 版本，通常用来查看pdf各类信息，能有效提取文本、表格，但不支持修改或生成pdf，也不支持对pdf扫描件的处理。下面就出表格、文本和图片的提取三方面进行说明。

1、表格提取：

下面是提取PDF文件内容中的表格，并保存到XLSX文件中，代码如下：

python 复制代码

import pdfplumber
from openpyxl import load_workbook
import pandas as pd

i=0
with pdfplumber.open("d:\\待提取的PDF文件.pdf") as pdf:
    print(len(pdf.pages))
    for page in pdf.pages:
        tables=page.extract_tables()
        for table in tables:
            i=i+1
            df = pd.DataFrame(table)
            df.to_excel(f'd:\\output{i}.xlsx', index=False)

def readExcels(excelname):
    alldata = pd.DataFrame()
    wb = load_workbook(excelname)
    sheets = wb.sheetnames
    for i in sheets:
        #print(i)
        df = pd.read_excel(excelname,sheet_name=i,engine='openpyxl',header=1)
        alldata = alldata._append(df)

2、文本提取：

下面是提取PDF文件内容中的文字内容，并保存到txt文件中，代码如下：

python 复制代码

import os
from pathlib import Path
import pdfplumber

def extract_text(pdf_path):
    with pdfplumber.open(pdf_path) as pdf:
        text = ""
        for page in pdf.pages:
            text += page.extract_text() + "\n"
    return text

# 使用示例
pdf_path_name = "d:\\待提取PDF文件.pdf"
pdf_dirname = os.path.dirname(pdf_path_name)
extracted_text = extract_text(pdf_path_name)
with open(f'{pdf_dirname}/{Path(pdf_path_name).stem}.txt', 'w', encoding='utf-8') as f:
    f.write(extracted_text)
    f.close()
print(f'执行完毕！输出路径：{pdf_dirname}')

3、提取图片：

下面是提取PDF文件内容中的图片，并创建目录保存，代码如下：

python 复制代码

import pdfplumber
import os

# 定义函数用于提取PDF中的图片并保存
def extract_images_from_pdf(pdf_file, output_folder):
    # 创建输出文件夹，如果不存在的话
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    with pdfplumber.open(pdf_file) as pdf:
        # 遍历每一页
        for page_number, page in enumerate(pdf.pages, start=1):
            print(f'页码：{page.page_number}')
            print(f'页面宽度：{page.width}')
            print(f'页面高度：{page.height}')

            # 获取该页的所有图片
            images = page.images

            # 遍历该页的所有图片
            for idx, image in enumerate(images, start=1):
                # 获取图片的二进制数据
                image_data = image['stream'].get_data()

                # 构建图片文件名
                image_filename = os.path.join(output_folder, f'image_{page_number}_{idx}.png')

                # 保存图片到文件
                with open(image_filename, 'wb') as f:
                    f.write(image_data)
                    print(f'图片已保存至：{image_filename}')

# 调用方法
pdf_file = 'd:\\待提取的PDF文件.pdf'
output_folder = 'extracted_images'
extract_images_from_pdf(pdf_file, output_folder)