在Python中如何优雅地处理PDF文件（Python 文件处理）

在Python中如何优雅地处理PDF文件（Python 文件处理）

1. 引言

PDF文档是我们在日常工作中经常会遇到的文件格式，有时我们需要编辑并从中提取一些有用的数据。在本文中，我将向大家介绍如何使用Python中的PDF库从PDF文档中提取文本、表格和图像以及其他类型的数据。闲话少说，我们直接开始吧！

2. 从PDF文件中获取文本

在Python中有多种库可以帮助我们方便的从PDF文件中获取对应的文本，其中最为常用的是​​PyPdf2​​，我们不妨来举个栗子来看看相应的函数的使用方法。

样例代码如下：

# importing moduleimport PyPDF2 # create a pdf file objectpdfFileObj = open('file.pdf', 'rb') # create a pdf reader objectpdfReader = PyPDF2.PdfFileReader(pdfFileObj) # creating a page objectpageObj = pdfReader.getPage(0) # extracte text from pageprint(pageObj.extractText()) # closing the pdf file objectpdfFileObj.close()

在上述代码中，我们逐行来分析：

首先我们导入我们的第三方库​​PyPDF2​​接着我们使用函数​​open()​​以二进制方式读入我们的PDF文件将读入的文件对象传递给​​PdfFileReader​​函数获取PDF某个页面的对象，生成​​pageObj​​使用函数​​extractText()​​来提取文本信息最后我们使用​​close​​函数来将​​PdfFileObj​​关闭

最终，关闭文件是必须的。如果我们让它保持打开状态，并试图读取另一个文件，此时它会给我们提示一个文件读取的错误。上述代码展示了提取单个页面的逻辑，进而我们可以使用循环语句来读取所有的页面，样例代码如下：

# importing moduleimport PyPDF2 # create a pdf file objectpdfFileObj = open('file.pdf', 'rb') # create a pdf reader objectpdfReader = PyPDF2.PdfFileReader(pdfFileObj) for i in range(pdfReader.numPages): pageObj = pdfReader.getPage(i) print(pageObj.extractText()) # closing the pdf file objectpdfFileObj.close()

举例，假设我们需要的PDF文件如下：

则上述代码的运行结果如下：

A Simple PDF File This is a small demonstration .pdf file - just for use in the Virtual Mechanics tutorials. More text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. Boring, zzzzz. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. And more text. Even more. Continued on page 2 ...

3. 从PDF文件中获取表格

使用​​PyPDF2​​提取表不太方便，为了正确地从PDF文件中提取表格，我们需要采用计算机视觉的方法首先检测这些表格，然后进行机器学习计算，最后在将其提取出来。

为了完成这项任务，这里推荐一个第三方python模块，叫做​​Tabula​​，该模块专门用于从pdf中读取和提取表格，并以CSV格式存储。

样例代码如下：

import tabula# Read pdf into list of DataFramedf = tabula.read_pdf("test.pdf", pages='all')print(df)

上述代码的解析如下：

首先我们引入我们所需的第三方库​​tabula​​接着我们使用函数​​read_pdf​​来读取​​pdf​​文件，并提取所有页面中的表格最后我们使用打印函数将提取到的表格进行打印

当然，我们也可以将提取得到的数据以​​csv​​的方式进行存储，样例代码如下：

import tabula# convert PDF into CSV filetabula.convert_into("test.pdf", "output.csv", output_format="csv", pages='all')

4. 从PDF文件中获取图片

在Python中为了从PDF文件中提取图像，我们必须使用其他第三方模块。安装我们所需的第三方库​​PyMuPDF​​以及图像处理库​​Pillow​​，安装代码如下：

pip install PyMuPDF Pillow

从PDF文件中提取图片的示例代码如下：

import fitzimport iofrom PIL import Imagepdf_file = fitz.open("test2.pdf")# iterate over PDF pagesfor page_index in range(len(pdf_file)): # get the page itself page = pdf_file[page_index] image_list = page.getImageList() for image_index, img in enumerate(page.getImageList(), start=1): # get the XREF of the image xref = img[0] # extract the image bytes base_image = pdf_file.extractImage(xref) image_bytes = base_image["image"] # get the image extension image_ext = base_image["ext"] # load it to PIL image = Image.open(io.BytesIO(image_bytes)) # save it image.save(open(f"image{page_index+1}_{image_index}.{image_ext}", "wb"))

假设我们的PDF文件内容如下：

我们测试上述代码，得到结果如下：

5. 总结

本文重点介绍了在Python中如何利用功能强大的第三方库来从PDF文件中获取文本表格和图像数据，并给出了相应的代码示例！您学废了吗？

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。