主頁(yè) > 知識(shí)庫(kù) > Python提取PDF指定內(nèi)容并生成新文件

Python提取PDF指定內(nèi)容并生成新文件

熱門標(biāo)簽:海外網(wǎng)吧地圖標(biāo)注注冊(cè) 聊城語(yǔ)音外呼系統(tǒng) 南陽(yáng)打電話機(jī)器人 地圖標(biāo)注自己和別人標(biāo)注區(qū)別 ai電銷機(jī)器人的優(yōu)勢(shì) 孝感營(yíng)銷電話機(jī)器人效果怎么樣 商家地圖標(biāo)注海報(bào) 騰訊地圖標(biāo)注沒法顯示 打電話機(jī)器人營(yíng)銷

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

但是很多時(shí)候,我們并不會(huì)預(yù)知希望提取的頁(yè)號(hào),而是希望將包含指定內(nèi)容的頁(yè)面提取合并為新PDF,本文就以兩個(gè)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(yè)的上市公司公開年報(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 fitzre 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(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。

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(qǐng)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:
  • python解析PDF程序代碼
  • python實(shí)現(xiàn)csdn全部博文下載并轉(zhuǎn)PDF
  • Python合并多張圖片成PDF
  • 詳解用Python把PDF轉(zhuǎn)為Word方法總結(jié)
  • python操作mysql、excel、pdf的示例
  • python pdfkit 中文亂碼問題的解決方案
  • python 三種方法提取pdf中的圖片
  • Python實(shí)現(xiàn)給PDF添加水印的方法
  • Python讀取pdf表格寫入excel的方法
  • Python 多張圖片合并成一個(gè)pdf的參考示例

標(biāo)簽:南寧 迪慶 撫州 揚(yáng)州 聊城 牡丹江 楊凌 六盤水

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《Python提取PDF指定內(nèi)容并生成新文件》,本文關(guān)鍵詞  Python,提取,PDF,指定,內(nèi)容,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無(wú)關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《Python提取PDF指定內(nèi)容并生成新文件》相關(guān)的同類信息!
  • 本頁(yè)收集關(guān)于Python提取PDF指定內(nèi)容并生成新文件的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章