[Python] 自动化办公 PDF提取文字、表格、图片

转载请注明：陈熹 chenx6542@foxmail.com （简书号：半为花间酒）
若公众号内转载请联系公众号：早起Python

本例可以学到的知识点：

使用 pdfplumber 提取 PDF 中的文字和表格

使用 fitz 提取 PDF 中的图片

练习数据：https://pan.baidu.com/s/1tMQnkCB8Xu1k6zPmg19XpQ 提取码：cos7

之前我们已经详细介绍了批量 PDF 文件的处理，包括合并、拆分、水印、加密等，批量PDF文件的处理
在文章中详细剖析了每一行的原理。这里要说明的是，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
今天学习的 PDF 图片提取亦如是。因此更多时候以理解为主，不需要完全掌握代码书写，会用会改即可

今天讲解的练习数据是一份年度报告，里面有大量的文字、表格、图片构成

一、模块安装

需要安装两个模块，第一个是 pdfplumber
在 Windows 中调出命令行：

pip install pdfplumber

第二个是 fitz, 它是 pymupdf 中的一个模块

在 Windows 中调出命令行：

pip install pymupdf

二、 PDF 文字提取

代码思路：

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

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:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[11]
    print(page.extract_text())

提取的内容可以通过导入 python-docx 并借助 wordfile.add_paragraph() 写入 Word 文件

三、PDF 表格提取

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()
需要注意，.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() 观察输出情况

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

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[12]
    print(page.extract_table())

是一个嵌套列表，熟悉这种格式的人会理解想到可以用 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:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[12]
    print(page.extract_tables())

.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

四、PDF 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。这边只介绍基于 fitz 模块的代码，基本思路是通过正则查找图片并将其输出

import fitz
import re
import 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)

成功提取了图片，但 PDF 中的图片远不止这些。欢迎有兴趣的读者交流