Python如何提取PDF指定內容并生成新文件

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

數據是一份有286頁的上市公司公開年報PDF，大致如下

現在需要利用 Python 完成以下兩個需求

“

需求一：提取所有包含 戰略 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 模塊實現合并

PyPDF2 導入模塊的代碼常常是：

from PyPDF2 import PdfFileReader, PdfFileWriter

這里導入了兩個方法：

• PdfFileReader 可以理解為讀取器

• PdfFileWriter 可以理解為寫入器

利用 PyPDF2 實現合并運用的一下邏輯：

• 讀取器將所有pdf讀取一遍

• 讀取器將讀取的內容交給寫入器

• 寫入器統一輸出到一個新pdf

隱含知識點：讀取器只能將讀取的內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，下面列出作為復習：

• .getPage 獲取特定頁

• .addPage 添加特定頁

2.3 圖片和文字的處理

要實現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() 方法提取當前頁的文字

• 判斷 “戰略” 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代碼實現

3.1 需求一的實現

首先來完成需求一的任務，導入需要用到的庫：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，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容頁面的提取，并整合成一個PDF。所有的頁面均包含“戰略”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 需求二的實現

接下來完成需求二的任務。首先導入需要的庫：

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講，之前的推文已經介紹過，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，再結合讀取器和寫入器的配合就能完成新 PDF 的產生。注意本需求是所有圖片單獨輸出，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定。讀者可以利用自己的數據多做嘗試。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)

實現這兩個單個需求后，就可以將相關代碼封裝并結合os等模塊實現批量操作，解放雙手。

以上是“Python如何提取PDF指定內容并生成新文件”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！