Python 读取PDF文档内容提取PDF文本和图片

nuclear2011

已于 2023-12-29 15:12:52 修改

阅读量7k

点赞数 13

文章标签： python 开发语言

于 2023-12-29 15:06:58 首次发布

本文链接：https://blog.youkuaiyun.com/nuclear2011/article/details/135291187

版权

一、介绍

二、安装Python库

三、Python 实现PDF文本和图片提取/读取PDF文档内容

一、介绍

在当今的工作和生活中，PDF文档已经成为无处不在的文件格式。许多企业和机构选择将重要文件，如合同、报告等，保存为PDF格式以进行存储和管理。有时候，我们需要读取这些文档中的内容，包括文字和图片等，以便进一步分析文档内容、提取关键信息或将其集成到其他系统中。这篇文章将探讨如何通过Python实现PDF文本和图片的提取。

二、安装Python库

Python中有许多可以处理PDF的库，这篇文章使用的库是Spire.PDF for Python，它支持在多种场景下提取PDF文档中的文本和图片。此外还支持文档格式转换，例如PDF与图片互转，PDF转Word或Excel等。可以使用pip命令来安装它：

pip install Spire.PDF

下面我们来看如何借助这个库提取PDF文档中的文本和图片。

三、Python 实现PDF文本和图片提取/读取PDF文档内容

提取PDF文本和图片可以有多种场景，这里介绍一些常见的场景：

从整个PDF文档提取文本
从特定PDF页面提取文本
从特定PDF页面区域提取文本
从整个PDF文档提取图片
从特定PDF页面提取图片

1、从整个PDF文档提取文本

从整个PDF文档中提取文本，大致步骤如下：

加载PDF文档。
遍历每个页面并提取页面的文本内容。
将提取的文本保存到文本文件中。

代码：

from spire.pdf.common import *
from spire.pdf import *

# 定义一个从PDF文档提取文本的函数，参数分别为输入PDF文档的路径，存放提取文本的文本文档的路径
def extract_text_from_pdf(file_path, output_file):
    # 创建PdfDocument类的实例
    doc = PdfDocument()
    # 加载PDF文档
    doc.LoadFromFile(file_path)

    # 创建list来存储提取的文本
    extracted_text = []

    # 遍历文档的页面
    for i in range(doc.Pages.Count):
        page = doc.Pages.get_Item(i)
        # 从页面提取文本并存储到list
        text = page.ExtractText(True)
        extracted_text.append(text)

    # 将提取的文本保存到文本文档
    with open(output_file, "w", encoding="utf-8") as text_file:
        text_file.write("\n".join(extracted_text))

    doc.Close()

# 调用函数实现从PDF提取文本
file_path = "测试.pdf"
output_file = "提取文本.txt"
extract_text_from_pdf(file_path, output_file)

2、从特定PDF页面提取文本

从指定的PDF页面提取文本，大致步骤如下：

加载PDF文档。
通过页面索引获取指定页面。
提取页面的文本内容。
将提取的文本保存到文本文件中。

代码：

from spire.pdf.common import *
from spire.pdf import *

# 定义一个从PDF文档指定页面提取文本的函数，参数分别为输入PDF文档的路径，需要提取文本的页面索引（从0开始），存放提取文本的文本文档的路径
def extract_text_from_page(file_path, page_num, output_file):
    # 创建PdfDocument类的实例
    doc = PdfDocument()
    # 加载PDF文档
    doc.LoadFromFile(file_path)

    # 根据页面索引获取特定页面
    page = doc.Pages[page_num]

    # 从该页面提取文本
    text = page.ExtractText(True)

    # 将提取的文本存储到文本文件
    with open(output_file, "w", encoding="utf-8") as text_file:
        text_file.write(text)

    doc.Close()

# 调用函数实现从PDF指定页面提取文本
file_path = "测试.pdf"
page_num = 0  # 指定从中提取文本的页码（页码索引从0开始）
output_file = "提取页面文本.txt"
extract_text_from_page(file_path, page_num, output_file)

3、从特定PDF页面区域提取文本

从指定PDF页面区域提取文本，大致步骤如下:

加载PDF文档。
通过页面索引获取指定页面。
指定需要提取文本内容的矩形区域的坐标、宽度和高度。
从页面的指定矩形区域中提取文本。
将提取的文本保存到文本文件中。

代码：

from spire.pdf.common import *
from spire.pdf import *

# 定义一个从PDF文档指定页面的指定区域提取文本的函数，参数分别为输入PDF文档的路径，需要提取文本的页面索引（从0开始），区域的X坐标，区域的Y坐标，区域的宽度，区域的高度，存放提取文本的文本文件路径
def extract_text_from_page_area(file_path, page_num, x, y, width, height, output_file):
    # 创建PdfDocument实例
    doc = PdfDocument()
    # 加载PDF文档
    doc.LoadFromFile(file_path)

    # 根据页面索引获取特定页面
    page = doc.Pages[page_num]

    # 定义一个矩形来指定文本提取的区域
    rectangle = RectangleF(x, y, width, height)

    # 从页面的指定矩形区域中提取文本
    text = page.ExtractText(rectangle)

    # 将提取的文本存储到文本文件
    with open(output_file, "w", encoding="utf-8") as text_file:
        text_file.write(text)

    doc.Close()

# 调用函数实现从PDF指定页面的指定区域提取文本
file_path = "测试.pdf"
page_num = 0  # 指定从中提取文本的页码（页码索引从0开始）
x = 0.0
y = 180.0
width = 500.0
height = 200.0
output_file = "提取页面区域文本.txt"
extract_text_from_page_area(file_path, page_num, x, y, width, height, output_file)

4、从整个PDF文档提取图片

从整个PDF文档提取图片，大致步骤如下:

加载PDF文档。
遍历每个页面并提取页面上的图片。
将提取的图片保存到文件夹中。

代码：

from spire.pdf.common import *
from spire.pdf import *

# 定义一个从PDF文档提取图片的函数，参数分别为输入PDF文档的路径，存放提取的图片的文件夹路径
def extract_images_from_pdf(file_path, output_folder):
    # 创建PdfDocument类的实例
    doc = PdfDocument()
    # 加载PDF文档
    doc.LoadFromFile(file_path)

    # 创建list来存储提取的图片
    images = []

    # 遍历文档的页面
    for i in range(doc.Pages.Count):
        # 获取当前页
        page = doc.Pages.get_Item(i)
        # 从页面提取图片并存储到list
        for img in page.ExtractImages():
            images.append(img)

    # 将图片保存到指定文件夹
    for i, image in enumerate(images):
        image.Save(f"{output_folder}Image-{i+1}.png", ImageFormat.get_Png())

    doc.Close()

# 调用函数实现从PDF提取图片
file_path = "测试.pdf"
output_folder = "文档图片/"
extract_images_from_pdf(file_path, output_folder)

5、从特定PDF页面提取图片

从PDF文档的特定页面提取图片，大致步骤如下：

加载PDF文档。
通过页面索引获取指定页面。
提取页面上的图片。
将提取的图片保存到文件夹中。

代码：

from spire.pdf.common import *
from spire.pdf import *

# 定义一个从PDF文档指定页面提取图片的函数，参数分别为输入PDF文档的路径，需要提取图片的页码索引，存放提取的图片的文件夹路径
def extract_images_from_pdf_page(file_path, page_num, output_folder):
    # 创建PdfDocument类的实例
    doc = PdfDocument()
    # 加载PDF文档
    doc.LoadFromFile(file_path)

    # 创建list来存储提取的图片
    images = []

    # 根据页面索引获取特定页面
    page = doc.Pages.get_Item(page_num)

    # 提取该页面上的图片并将它们存储到list
    for img in page.ExtractImages():
        images.append(img)

    # 将图片保存到指定文件夹
    for i, image in enumerate(images):
        image.Save(f"{output_folder}Image-{i+1}.png", ImageFormat.get_Png())

    doc.Close()

# 调用函数实现从PDF指定页面提取图片
file_path = "测试.pdf"
page_num = 0  # 指定从中提取图像的页码（注意页码索引从0开始）
output_folder = "页面图片/"
extract_images_from_pdf_page(file_path, page_num, output_folder)

希望以上关于使用Python实现PDF文本和图片提取的内容能对你有所帮助。