腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

Python提取PDF指定內(nèi)容并生成新文件

更新時間：2021年06月09日 08:31:15 作者：程序員啟航

本文為你展示，如何用Python把許多PDF文件的文本內(nèi)容批量提取出來，并且整理存儲到數(shù)據(jù)框中，以便于后續(xù)的數(shù)據(jù)分析。感興趣的可以了解一下

在之前的Python辦公自動化案專題中，我們已經(jīng)介紹了如何有選擇的提取某些頁面進(jìn)行合并。

但是很多時候，我們并不會預(yù)知希望提取的頁號，而是希望將包含指定內(nèi)容的頁面提取合并為新PDF，本文就以兩個真實(shí)需求為例進(jìn)行講解。

01需求描述

數(shù)據(jù)是一份有286頁的上市公司公開年報PDF，大致如下

現(xiàn)在需要利用 Python 完成以下兩個需求

“
需求一：提取所有包含 戰(zhàn)略 二字的頁面并合并新PDF

需求二：提取所有包含圖片的頁面，并分別保存為 PDF 文件
”

02前置知識和邏輯梳理

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)一輸出到一個新pdf

隱含知識點(diǎn)：讀取器只能將讀取的內(nèi)容一頁一頁交給寫入器

2.2 獲取與添加頁面

之前我們的推文中提到這兩個代碼，下面列出作為復(fù)習(xí)：

.getPage 獲取特定頁
.addPage 添加特定頁

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判斷：確定頁面中有無包含的文字或圖片

判斷是否包含特定的文字比較簡單，遍歷每一頁的時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(dāng)前頁的文字
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別，用 fitz 和 re 配合，具體見下文代碼

03代碼實(shí)現(xiàn)

3.1 需求一的實(shí)現(xiàn)

首先來完成需求一的任務(wù)，導(dǎo)入需要用到的庫：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.PDF')

以上下文管理器形式通過 pdfplumber 打開文件，同時用 .getNumPages 獲取讀取器的最大頁利于遍歷每一頁來抽提文字：

with pdfplumber.open(path + r'\公司年報.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判斷，將符合要求的頁碼作為讀取器 .getPage 的參數(shù)，最后用 .addPage 交給寫入器：

with pdfplumber.open(path + r'\公司年報.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())

完成識別后讓寫入器輸出為需要的文件名：

with open(path + r'\new_公司年報.pdf', 'wb') as out:
    pdf_writer.write(out)

至此，我們就完成了包含特定文字內(nèi)容頁面的提取，并整合成一個PDF。所有的頁面均包含“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.PDF')
 
with pdfplumber.open(path + r'\公司年報.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1.pdf', 'wb') as out:
    pdf_writer.write(out)

3.2 需求二的實(shí)現(xiàn)

接下來完成需求二的任務(wù)。首先導(dǎo)入需要的庫：

from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os

指定文件所在的路徑：

path = r'C:\xxxxxx'

正則識別圖片的部分不細(xì)講，之前的推文已經(jīng)介紹過，我們直接看代碼：

page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年報.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，因此獲取到頁面后交給寫入器直接輸出成文件：

pdf_reader = PdfFileReader(path + r'\公司年報.PDF')
for page in page_lst:
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(page))
    with open(path + r'\公司年報_{}.pdf'.format(page + 1), 'wb') as out:
        pdf_writer.write(out)

至此也完成了第二個需求。需要說明的是目前沒有非常完美提取PDF圖片的方法，本案例介紹的方法識別圖片也并不穩(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.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.PDF')
for page in page_lst:
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(page))
    with open(path + r'\公司年報_{}.pdf'.format(page + 1), 'wb') as out:
        pdf_writer.write(out)

實(shí)現(xiàn)這兩個單個需求后，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。

到此這篇關(guān)于Python提取PDF指定內(nèi)容并生成新文件的文章就介紹到這了,更多相關(guān)Python提取PDF指定內(nèi)容內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: