别再问如何用 Python 提取 PDF 内容了！

作者 | 陈熹 头图 | CSDN 下载自东方 IC来源 | 早起Python（ID：zaoqi-python）
导读大家好，在之前的办公自动化系列文章中我们已经详细介绍了如何使用Python批量处理PDF文件，包括合并、拆分、水印。今天我们再次回到PDF，详细讲解如何使用Python从PDF提取指定的信息。我们将以一份年度报告PDF为例进行介绍，内含大量文字、表格、图片，具体如下：

模块安装

首先需要安装两个模块，第一个是pdfplumber，在命令行使用pip安装即可👇

pip install pdfplumber

第二个是fitz, 它是pymupdf中的一个模块，同样可以使用pip轻松安装

pip install pymupdf

文字信息提取

使用Python提取PDF中文字代码思路如下

1. 利用pdfplumber打开一个 PDF 文件
2. 获取指定的页，或者遍历每一页
3. 利用.extract_text()方法提取当前页的文字

现在让我们用上述代码尝试提取示例数据中第12页的文字👇

import pdfplumber
file_path = r'C:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[11]
    print(page.extract_text())

结果如下图所示接着可以将内容通过导入python-docx并借助wordfile.add_paragraph()写入Word文件中，而这个模块我们已经讲解很多次，此处就不再赘述。

表格信息提取

使用Python提取单个表格和提取单页文字的代码非常类似，用的是.extract_table（）但需要注意的是.extract_table()默认提取指定页面的第一个表格，如果当前页面有多个表格都需要提取，则要直接使用.extract_tables()例如示例文件中第 13 页有 2 个表格，我们分别利用.extract_table()和.extract_tables()观察输出结果

import pdfplumber
file_path = r'C:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[12]
    print(page.extract_table())

结果如下可以看到是一个嵌套列表，熟悉这种格式的人会理解想到可以pandas或者遍历该嵌套列表后借助openpyxl的sheet.append(list)写入Excel文件中，

import pdfplumber
file_path = r'C:\xxxx\practice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[12]
    print(page.extract_tables())

而.extract_tables()提取当前页所有表格会产生了一个三级嵌套列表，第一层的列表就代表每一个表格，之后也可以利用其他库写入Excel。

图片提取

对于图片提取，现在没有任何一个模块可以做到百分之百的提取。本文只介绍基于fitz模块的代码，基本思路是通过正则查找图片并将其输出例如提取示例文件中的图片，代码可以这么写👇

import fitz
import re
import os

file_path = r'C:\xxx\practice.PDF'
dir_path = r'C:\xxx' # 存放图片的文件夹

def pdf2pic(path, pic_path):
    checkXO = r"/Type(?= */XObject)"
    checkIM = r"/Subtype(?= */Image)"
    pdf = fitz.open(path)
    lenXREF = pdf._getXrefLength()
    imgcount = 0
    for i in range(1, lenXREF):
        text = pdf._getXrefString(i)
        isXObject = re.search(checkXO, text)
        isImage = re.search(checkIM, text)
        if not isXObject or not isImage:
            continue
        imgcount += 1
        pix = fitz.Pixmap(pdf, i)
        new_name = f"img_{imgcount}.png"
        if pix.n < 5:
            pix.writePNG(os.path.join(pic_path, new_name))
        else:
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        pix = None

pdf2pic(file_path, dir_path)

结果如下可以看到成功提取了图片，但PDF中的图片远不止这些，如果你有其他思路或者方法可以在留言区与我交流。

写在最后

最后要说明的是，在上一篇文章及本文中我们剖析了每一行代码。但针对PDF的模块较多，且有些模块功能并不完善，代码也没有类似OFFICE三件套操作那般简洁，因此更多时候以理解为主，不需要完全掌握写，会用会改即可！当然还是希望大家能够理解Python办公自动化的一个核心就是批量操作-解放双手，并且能与日常办公结合让复杂的工作自动化！

更多精彩推荐

☞小鹏汽车CEO疑似隔空回应偷窃技术传闻；苹果明年新款iPhone将使用增强版5nm芯片；Windows诞生35周年|极客头条

☞优秀！一鼓作气学会“一致性哈希”，就靠这 18 张图了

点分享点点赞点在看