最新公告
  • 欢迎您光临起源地模板网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入钻石VIP
  • Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    正文概述 掘金(豆约翰)   2020-12-25   385

    PDF文件格式

    如今,可移植文档格式(PDF)属于最常用的数据格式。在1990年,PDF文档的结构由Adobe定义。PDF格式的思想是,对于通信过程中涉及的双方(创建者,作者或发送者以及接收者)而言,传输的数据/文档看起来完全相同。

    工具和库

    适用于Python的PDF工具,模块和库的可用解决方案范围有些混乱,需要花一点时间弄清楚什么是什么,以及哪些项目需要连续维护。根据我们的研究,以下是最新的候选人:

    • PyPDF2:一个Python库,用于提取文档信息和内容,逐页拆分文档,合并文档,裁剪页面并添加水印。PyPDF2支持未加密和加密的文档。

    • PDFMiner:完全用Python编写,适用于Python 2.4。对于Python 3,请使用克隆的包PDFMiner.six。这两个软件包都允许您解析,分析和转换PDF文档。这包括对PDF 1.7以及CJK语言(中文,日文和韩文)的支持,以及各种字体类型(Type1,TrueType,Type3和CID)。

    • pdflib for Python:Poppler库的扩展,为它提供了Python绑定。它使您可以解析,分析和转换PDF文档。不要将其与具有相同名称的商业吊坠相混淆。

    • PyFPDF:一个在Python下生成PDF文档的库。从FPDF php库移植而来,这是著名的PDFlib扩展替换,其中包含许多示例,脚本和派生类。

    • PDFTables:一项商业服务,提供从PDF文档附带的表格中提取的内容。提供一个API,以便PDFTables可以用作SAAS。

    • PyX -Python图形包:PyX是用于创建PostScript,PDF和SVG文件的Python包。它结合了PostScript绘图模型的抽象和TeX / LaTeX接口。这些基元可以构建复杂的任务,例如以可发布的质量创建2D和3D绘图。

    • ReportLab:一个雄心勃勃的,具有行业实力的图书馆,主要致力于精确创建PDF文档。免费提供开放源代码版本和名为ReportLab PLUS的商业增强版本。

    • PyMuPDF(又称“ fitz”):MuPDF的Python绑定,这是一种轻量级的PDF和XPS查看器。该库可以访问PDF,XPS,OpenXPS,epub,漫画和小说书格式的文件,并且以其最佳性能和高渲染质量而闻名。

    • pdfrw:一个基于Python的纯PDF解析器,用于读写PDF。它忠实地再现矢量格式而无需光栅化。与ReportLab结合使用时,它有助于在使用ReportLab创建的新PDF中重用现有PDF的一部分。

    图书馆用于
    PyPDF2PyMuPDFpdflibPDF表格PDFMiner.sixPDF查询pdfrw读,写/创作PyFPDF写/创作

    我们将重点介绍PyPDF2和PyMuPDF,并说明如何以最简单的方式提取文本和图像。为了了解PyPDF2的用法,官方文档和许多其他资源提供的示例的组合对您有所帮助。相比之下,官方PyMuPDF文档更加清晰,并且使用该库的速度也大大加快。

    使用PyPDF2提取文本

    $ pip3 install PyPDF2
    

    清单1首先导入了PdfFileReader该类。接下来,使用该类打开文档,并使用getDocumentInfo()方法提取文档信息,使用提取页数getDocumentInfo()以及第一页的内容。

    请注意,PyPDF2从0开始计数页面,这就是该调用pdf.getPage(0)检索文档第一页的原因。最终,提取的信息被打印到stdout

    清单1:提取文档信息和内容。

    #!/usr/bin/python
    
    from PyPDF2 import PdfFileReader
    
    pdf_document = "example.pdf"
    with open(pdf_document, "rb") as filehandle:
        pdf = PdfFileReader(filehandle)
        info = pdf.getDocumentInfo()
        pages = pdf.getNumPages()
    
        print (info)
        print ("number of pages: %i" % pages)
    
        page1 = pdf.getPage(0)
        print(page1)
        print(page1.extractText())
    
    

    Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    如上面的图1所示,提取的文本是连续打印的。没有段落或句子分隔。如PyPDF2文档中所述,所有文本数据都按照在页面内容流中提供的顺序返回,并且依靠它可能会导致一些意外。这主要取决于PDF文档的内部结构,以及PDF编写器过程如何生成PDF指令流。

    使用PyMuPDF提取文本

    可从PyPi网站上获取PyMuPDF,并在终端中使用以下命令安装软件包:

    $ pip3 install PyMuPDF
    

    显示文档信息,打印页数以及提取PDF文档的文本的方式与PyPDF2相似(请参见清单2)。要导入的模块名为fitz,并返回到PyMuPDF的先前名称。

    清单2:使用PyMuPDF从PDF文档中提取内容。

    #!/usr/bin/python
    
    import fitz
    
    pdf_document = "example.pdf"
    doc = fitz.open(pdf_document)
    print ("number of pages: %i" % doc.pageCount)
    print(doc.metadata)
    
    page1 = doc.loadPage(0)
    page1text = page1.getText("text")
    print(page1text)
    
    

    PyMuPDF的优点是可以保持原始文档结构完整-带有换行符的整个段落都保留在PDF文档中(参见图2)。

    Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    使用PyMuPDF从PDF提取图像

    PyMuPDF使用该方法简化了从PDF文档提取图像的过程getPageImageList()清单3基于PyMuPDF Wiki页面上的示例,并逐页地将PDF中的所有图像提取并保存为PNG文件。如果图像具有CMYK色彩空间,则将首先将其转换为RGB。

    清单3:提取图像

    #!/usr/bin/python
    
    import fitz
    
    pdf_document = fitz.open("file.pdf")
    for current_page in range(len(pdf_document)):
        for image in pdf_document.getPageImageList(current_page):
            xref = image[0]
            pix = fitz.Pixmap(pdf_document, xref)
            if pix.n < 5:        # this is GRAY or RGB
                pix.writePNG("page%s-%s.png" % (current_page, xref))
            else:                # CMYK: convert to RGB first
                pix1 = fitz.Pixmap(fitz.csRGB, pix)
                pix1.writePNG("page%s-%s.png" % (current_page, xref))
                pix1 = None
            pix = None
    
    

    在400页PDF上运行此Python脚本,它在不到3秒的时间内提取了117张图像,这真是了不起。单个图像以PNG格式存储。为了保持原始图像的格式和大小,而不是转换为PNG,请查看PyMuPDF Wiki中脚本的扩展版本。

    Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    使用PyPDF2将PDF拆分为页面

    对于此示例,首先需要同时导入PdfFileReader和和PdfFileWriter类。然后,我们打开PDF文件,创建一个阅读器对象,并使用阅读器对象的getNumPages方法遍历所有页面。

    for循环内部,我们创建的新实例PdfFileWriter,该实例尚不包含任何页面。然后,使用pdfWriter.addPage()方法将当前页面添加到我们的writer对象。此方法接受一个页面对象,我们使用该PdfFileReader.getPage()方法获取该对象。

    下一步是创建一个唯一的文件名,我们使用原始文件名加上单词“ page”以及页码来完成。我们在当前页码上加1,因为PyPDF2会计算从零开始的页码。

    最后,我们以“写二进制”模式(mode wb)打开新文件名,并使用该类的write()方法pdfWriter将提取的页面保存到磁盘。

    清单4:将PDF拆分为单个页面。

    #!/usr/bin/python
    
    from PyPDF2 import PdfFileReader, PdfFileWriter
    
    pdf_document = "example.pdf"
    pdf = PdfFileReader(pdf_document)
    
    for page in range(pdf.getNumPages()):
        pdf_writer = PdfFileWriter()
        current_page = pdf.getPage(page)
        pdf_writer.addPage(current_page)
    
        outputFilename = "example-page-{}.pdf".format(page + 1)
        with open(outputFilename, "wb") as out:
            pdf_writer.write(out)
    
            print("created", outputFilename)
    
    

    Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    查找所有包含文本的页面

    这个用例非常实用,并且工作方式类似于pdfgrep。该脚本使用PyMuPDF返回包含给定搜索字符串的所有页码。页面一页接一页地加载,借助该searchFor()方法,将检测到搜索字符串的所有出现情况。如果匹配则在上面印有相应的信息stdout

    清单5:搜索给定的文本。

    #!/usr/bin/python
    
    import fitz
    
    filename = "example.pdf"
    search_term = "invoice"
    pdf_document = fitz.open(filename):
    
    for current_page in range(len(pdf_document)):
        page = pdf_document.loadPage(current_page)
        if page.searchFor(search_term):
            print("%s found on page %i" % (search_term, current_page))
    
    

    下面的图5显示了一本400页的书中“ Debian GNU / Linux”一词的搜索结果。

    Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    结论

    此处显示的处理PDF方法非常强大。使用相对较少的代码行数,很容易获得结果。


    起源地 » Python操作PDF-文本和图片提取(使用PyPDF2和PyMuPDF)

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    模板不会安装或需要功能定制以及二次开发?
    请QQ联系我们

    发表评论

    还没有评论,快来抢沙发吧!

    如需帝国cms功能定制以及二次开发请联系我们

    联系作者

    请选择支付方式

    ×
    迅虎支付宝
    迅虎微信
    支付宝当面付
    余额支付
    ×
    微信扫码支付 0 元