python提取pdf信息做成表格

说明

本方法提取的图片并不算完整，我测试用的是阿里2017年双十一的一份PDF，AliDouble11.pdf，提取过程中有一处报错，部分图片提取不完整

由于PyPDF2 直接提取文本内容对中文支持不友好，因此结合两个库提取

安装库

安装 pdfplumber

pdfplumber 可以使用 pip 安装

pip install pdfplumber 

安装 PyPDF2

PyPDF2 需要去 GitHub 下载 https://github.com/mstamy2/PyPDF2

下载完成后解压，进入解压的目录 E:\tools\PyPDF2-master

执行 setup.py 进行安装

python setup.py install 

不用pip安装的原因是 pip 下载的只更新到 1.26.0 更新日期是 2016年5月19日，只用这个版本无法提取 jpg 格式图片，会报错

Traceback (most recent call last): File "D:/projects/util/pdf_util.py", line 106, in extract_image data = xObject[obj].getData() File "D:\projects\util\venv\lib\site-packages\PyPDF2\generic.py", line 844, in getData decoded._data = filters.decodeStreamData(self) File "D:\projects\util\venv\lib\site-packages\PyPDF2\filters.py", line 361, in decodeStreamData raise NotImplementedError("unsupported filter %s" % filterType) NotImplementedError: unsupported filter /DCTDecode 

如果已安装 pypdf 建议先卸载 然后安装，卸载的时候最好检查是否卸载完全，即 PyPDF2 文件夹是否仍存在 ,否则可能会报错

ImportError: cannot import name 'paethPredictor' 

内容提取代码

图片提取

示例代码在文件夹 PyPDF2-master\Scripts 下的 pdf-image-extractor.py

import time import PyPDF2 import pdfplumber from PIL import Image def extract_image(page): try: # 提取第2页图片（从0开始计数） page_image = pdf_image_reader.getPage(pageNumber=1) extract_image(page_image) if '/XObject' in page['/Resources']: xObject = page['/Resources']['/XObject'].getObject() for obj in xObject: if xObject[obj]['/Subtype'] == '/Image': size = (xObject[obj]['/Width'], xObject[obj]['/Height']) data = xObject[obj].getData() if xObject[obj]['/ColorSpace'] == '/DeviceRGB': mode = "RGB" else: mode = "P" # 保存图片的文件名前缀 img_pre = str(int(time.time()*1000)) if '/Filter' in xObject[obj]: if xObject[obj]['/Filter'] == '/FlateDecode': img = Image.frombytes(mode, size, data) img.save(img_pre + ".png") elif xObject[obj]['/Filter'] == '/DCTDecode': img = open(img_pre + ".jpg", "wb") img.write(data) img.close() elif xObject[obj]['/Filter'] == '/JPXDecode': img = open(img_pre + ".jp2", "wb") img.write(data) img.close() elif xObject[obj]['/Filter'] == '/CCITTFaxDecode': img = open(img_pre + ".tiff", "wb") img.write(data) img.close() else: img = Image.frombytes(mode, size, data) img.save(img_pre + ".png") else: print("本页无图片") except: print("图片提取失败") 

文本提取

def extract_content(pdf_path): # 内容提取，使用 pdfplumber 打开 PDF，用于提取文本 with pdfplumber.open(pdf_path) as pdf_file: # 使用 PyPDF2 打开 PDF 用于提取图片 pdf_image_reader = PyPDF2.PdfFileReader(open(pdf_path, "rb")) print(pdf_image_reader.getNumPages()) content = '' # len(pdf.pages)为PDF文档页数，一页页解析 for i in range(len(pdf_file.pages)): print("当前第 %s 页" % i) # pdf.pages[i] 是读取PDF文档第i+1页 page_text = pdf_file.pages[i] # page.extract_text()函数即读取文本内容 page_content = page_text.extract_text() if page_content: content = content + page_content + "\n" print(page_content) 

完整代码

import time import PyPDF2 import pdfplumber from PIL import Image def extract_image(page): try: if '/XObject' in page['/Resources']: xObject = page['/Resources']['/XObject'].getObject() for obj in xObject: if xObject[obj]['/Subtype'] == '/Image': size = (xObject[obj]['/Width'], xObject[obj]['/Height']) data = xObject[obj].getData() if xObject[obj]['/ColorSpace'] == '/DeviceRGB': mode = "RGB" else: mode = "P" # 保存图片的文件名前缀 img_pre = str(int(time.time()*1000)) if '/Filter' in xObject[obj]: if xObject[obj]['/Filter'] == '/FlateDecode': img = Image.frombytes(mode, size, data) img.save(img_pre + ".png") elif xObject[obj]['/Filter'] == '/DCTDecode': img = open(img_pre + ".jpg", "wb") img.write(data) img.close() elif xObject[obj]['/Filter'] == '/JPXDecode': img = open(img_pre + ".jp2", "wb") img.write(data) img.close() elif xObject[obj]['/Filter'] == '/CCITTFaxDecode': img = open(img_pre + ".tiff", "wb") img.write(data) img.close() else: img = Image.frombytes(mode, size, data) img.save(img_pre + ".png") else: print("本页无图片") except: print("图片提取失败") def extract_content(pdf_path): # 内容提取，使用 pdfplumber 打开 PDF，用于提取文本 with pdfplumber.open(pdf_path) as pdf_file: # 使用 PyPDF2 打开 PDF 用于提取图片 pdf_image_reader = PyPDF2.PdfFileReader(open(pdf_path, "rb")) print(pdf_image_reader.getNumPages()) content = '' # len(pdf.pages)为PDF文档页数，一页页解析 for i in range(len(pdf_file.pages)): print("当前第 %s 页" % i) # pdf.pages[i] 是读取PDF文档第i+1页 page_text = pdf_file.pages[i] # page.extract_text()函数即读取文本内容 page_content = page_text.extract_text() if page_content: content = content + page_content + "\n" print(page_content) # 提取图片 page_image = pdf_image_reader.getPage(pageNumber=i) extract_image(page_image) if __name__ == '__main__': pdf_file = "../media/AliDouble11.pdf" extract_content(pdf_file) 

版权声明：

本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。

本文网址：https://www.mushiming.com/mjsbk/521.html