您好,登錄后才能下訂單哦!
小編給大家分享一下Python如何提取PDF指定內(nèi)容并生成新文件,相信大部分人都還不怎么了解,因此分享這篇文章給大家參考一下,希望大家閱讀完這篇文章后大有收獲,下面讓我們一起去了解一下吧!
數(shù)據(jù)是一份有286頁(yè)的上市公司公開(kāi)年報(bào)PDF,大致如下
現(xiàn)在需要利用 Python 完成以下兩個(gè)需求
“需求一:提取所有包含 戰(zhàn)略 二字的頁(yè)面并合并新PDF
需求二:提取所有包含圖片的頁(yè)面,并分別保存為 PDF 文件
”
2.1 PyPDF2
模塊實(shí)現(xiàn)合并
PyPDF2
導(dǎo)入模塊的代碼常常是:
from PyPDF2 import PdfFileReader, PdfFileWriter
這里導(dǎo)入了兩個(gè)方法:
PdfFileReader
可以理解為讀取器
PdfFileWriter
可以理解為寫入器
利用 PyPDF2
實(shí)現(xiàn)合并運(yùn)用的一下邏輯:
讀取器將所有pdf讀取一遍
讀取器將讀取的內(nèi)容交給寫入器
寫入器統(tǒng)一輸出到一個(gè)新pdf
隱含知識(shí)點(diǎn):讀取器只能將讀取的內(nèi)容一頁(yè)一頁(yè)交給寫入器
2.2 獲取與添加頁(yè)面
之前我們的推文中提到這兩個(gè)代碼,下面列出作為復(fù)習(xí):
.getPage
獲取特定頁(yè)
.addPage
添加特定頁(yè)
2.3 圖片和文字的處理
要實(shí)現(xiàn)本文的需求還要做到很重要的一個(gè)判斷:確定頁(yè)面中有無(wú)包含的文字或圖片
判斷是否包含特定的文字比較簡(jiǎn)單,遍歷每一頁(yè)的時(shí)候都將包含的文本抽提出,做字符串層面的判斷即可,代碼思路:
利用 pdfplumber
打開(kāi)PDF 文件
獲取指定的頁(yè),或者遍歷每一頁(yè)
利用 .extract_text()
方法提取當(dāng)前頁(yè)的文字
判斷 “戰(zhàn)略” 是否在提取的文字中
判斷是否包含圖片,思路和上面是類似的,但方法不同。圖片考慮用正則的方法識(shí)別,用 fitz
和 re
配合,具體見(jiàn)下文代碼
3.1 需求一的實(shí)現(xiàn)
首先來(lái)完成需求一的任務(wù),導(dǎo)入需要用到的庫(kù):讀取寫入PDF文件的 PyPDF2
以及抽提文本的 pdfplumber
from PyPDF2 import PdfFileReader, PdfFileWriter import pdfplumber
指定文件所在的路徑,同時(shí)初始化寫入器,將文件交給讀取器:
path = r'C:\xxxxxx' pdf_writer = PdfFileWriter() pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF')
以上下文管理器形式通過(guò) pdfplumber
打開(kāi)文件,同時(shí)用 .getNumPages
獲取讀取器的最大頁(yè)利于遍歷每一頁(yè)來(lái)抽提文字:
with pdfplumber.open(path + r'\公司年報(bào).PDF') as pdf: for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text())
我們抽提文字的目的是用來(lái)判斷,將符合要求的頁(yè)碼作為讀取器 .getPage
的參數(shù),最后用 .addPage
交給寫入器:
with pdfplumber.open(path + r'\公司年報(bào).PDF') as pdf: for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text()) if '戰(zhàn)略' in page.extract_text(): pdf_writer.addPage(pdf_reader.getPage(i)) print(i + 1, page.extract_text())
完成識(shí)別后讓寫入器輸出為需要的文件名:
with open(path + r'\new_公司年報(bào).pdf', 'wb') as out: pdf_writer.write(out)
至此,我們就完成了包含特定文字內(nèi)容頁(yè)面的提取,并整合成一個(gè)PDF。所有的頁(yè)面均包含“戰(zhàn)略”二字:
需求一完整代碼如下,感興趣的讀者可以自行研究
from PyPDF2 import PdfFileReader, PdfFileWriter import pdfplumber path = r'C:\xxx' pdf_writer = PdfFileWriter() pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF') with pdfplumber.open(path + r'\公司年報(bào).PDF') as pdf: for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text()) if '戰(zhàn)略' in page.extract_text(): pdf_writer.addPage(pdf_reader.getPage(i)) print(i + 1, page.extract_text()) with open(path + r'\new_公司年報(bào)1.pdf', 'wb') as out: pdf_writer.write(out)
3.2 需求二的實(shí)現(xiàn)
接下來(lái)完成需求二的任務(wù)。首先導(dǎo)入需要的庫(kù):
from PyPDF2 import PdfFileReader, PdfFileWriter import fitz import re import os
指定文件所在的路徑:
path = r'C:\xxxxxx'
正則識(shí)別圖片的部分不細(xì)講,之前的推文已經(jīng)介紹過(guò),我們直接看代碼:
page_lst = [] checkImg = r"/Subtype(?= */Image)" pdf = fitz.open(path + r'\公司年報(bào).PDF') lenXREF = pdf._getXrefLength() for i in range(lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkImg, text) if isImage: page_lst.append(i) print(page_lst)
獲取到所有包含圖片的頁(yè)面后,再結(jié)合讀取器和寫入器的配合就能完成新 PDF 的產(chǎn)生。注意本需求是所有圖片單獨(dú)輸出,因此獲取到頁(yè)面后交給寫入器直接輸出成文件:
pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF') for page in page_lst: pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(page)) with open(path + r'\公司年報(bào)_{}.pdf'.format(page + 1), 'wb') as out: pdf_writer.write(out)
至此也完成了第二個(gè)需求。需要說(shuō)明的是目前沒(méi)有非常完美提取PDF圖片的方法,本案例介紹的方法識(shí)別圖片也并不穩(wěn)定。讀者可以利用自己的數(shù)據(jù)多做嘗試。完整代碼如下:
from PyPDF2 import PdfFileReader, PdfFileWriter import fitz import re import os path = r'C:\xxx' page_lst = [] checkImg = r"/Subtype(?= */Image)" pdf = fitz.open(path + r'\公司年報(bào).PDF') lenXREF = pdf._getXrefLength() for i in range(lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkImg, text) if isImage: page_lst.append(i) print(page_lst) pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF') for page in page_lst: pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(page)) with open(path + r'\公司年報(bào)_{}.pdf'.format(page + 1), 'wb') as out: pdf_writer.write(out)
實(shí)現(xiàn)這兩個(gè)單個(gè)需求后,就可以將相關(guān)代碼封裝并結(jié)合os等模塊實(shí)現(xiàn)批量操作,解放雙手。
以上是“Python如何提取PDF指定內(nèi)容并生成新文件”這篇文章的所有內(nèi)容,感謝各位的閱讀!相信大家都有了一定的了解,希望分享的內(nèi)容對(duì)大家有所幫助,如果還想學(xué)習(xí)更多知識(shí),歡迎關(guān)注億速云行業(yè)資訊頻道!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。