作者：陳熹
來源：早起Python/ target=_blank class=infotextkey>Python
大家好，在之前的辦公自動化系列文章中我們已經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
現在讓我們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:xxxxpractice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[11]
print(page.extract_text())
結果如下圖所示
接著可以將內容通過導入python-docx并借助wordfile.add_paragraph()寫入Word文件中，而這個模塊我們已經講解很多次，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()觀察輸出結果
import pdfplumber
file_path = r'C:xxxxpractice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_table())
結果如下
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
file_path = r'C:xxxxpractice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_tables())
而.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，之后也可以利用其他庫寫入Excel。
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。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
import re
import os
file_path = r'C:xxxpractice.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)
結果如下
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合讓復雜的工作自動化！
