Python在实际工作中的运用-提取Pdf文件内容

        Pdf文件是我们日常工作中经常会遇到的一种文件格式，对于这种文件的提取 pdfplumber  库可以非常出色的完成处理工作，它是一个纯 Python 第三方库，适合 python 3.x 版本，通常用来查看pdf各类信息，能有效提取文本、表格，但不支持修改或生成pdf，也不支持对pdf扫描件的处理。下面就出表格、文本和图片的提取三方面进行说明。

1、表格提取：

下面是提取PDF文件内容中的表格，并保存到XLSX文件中，代码如下：

import pdfplumber from openpyxl import load_workbook import pandas as pd i=0 with pdfplumber.open("d:\\待提取的PDF文件.pdf") as pdf: print(len(pdf.pages)) for page in pdf.pages: tables=page.extract_tables() for table in tables: i=i+1 df = pd.DataFrame(table) df.to_excel(f'd:\\output{i}.xlsx', index=False) def readExcels(excelname): alldata = pd.DataFrame() wb = load_workbook(excelname) sheets = wb.sheetnames for i in sheets: #print(i) df = pd.read_excel(excelname,sheet_name=i,engine='openpyxl',header=1) alldata = alldata._append(df)

2、文本提取：

下面是提取PDF文件内容中的文字内容，并保存到txt文件中，代码如下：

import os from pathlib import Path import pdfplumber def extract_text(pdf_path): with pdfplumber.open(pdf_path) as pdf: text = "" for page in pdf.pages: text += page.extract_text() + "\n" return text # 使用示例 pdf_path_name = "d:\\待提取PDF文件.pdf" pdf_dirname = os.path.dirname(pdf_path_name) extracted_text = extract_text(pdf_path_name) with open(f'{pdf_dirname}/{Path(pdf_path_name).stem}.txt', 'w', encoding='utf-8') as f: f.write(extracted_text) f.close() print(f'执行完毕！输出路径：{pdf_dirname}')

3、提取图片：

下面是提取PDF文件内容中的图片，并创建目录保存，代码如下：

import pdfplumber import os # 定义函数用于提取PDF中的图片并保存 def extract_images_from_pdf(pdf_file, output_folder): # 创建输出文件夹，如果不存在的话 if not os.path.exists(output_folder): os.makedirs(output_folder) with pdfplumber.open(pdf_file) as pdf: # 遍历每一页 for page_number, page in enumerate(pdf.pages, start=1): print(f'页码：{page.page_number}') print(f'页面宽度：{page.width}') print(f'页面高度：{page.height}') # 获取该页的所有图片 images = page.images # 遍历该页的所有图片 for idx, image in enumerate(images, start=1): # 获取图片的二进制数据 image_data = image['stream'].get_data() # 构建图片文件名 image_filename = os.path.join(output_folder, f'image_{page_number}_{idx}.png') # 保存图片到文件 with open(image_filename, 'wb') as f: f.write(image_data) print(f'图片已保存至：{image_filename}') # 调用方法 pdf_file = 'd:\\待提取的PDF文件.pdf' output_folder = 'extracted_images' extract_images_from_pdf(pdf_file, output_folder)