Python如何提取PDF指定內(nèi)容并生成新文件

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！

01需求描述

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

”

02前置知識(shí)和邏輯梳理

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

03代碼實(shí)現(xiàn)

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！