Python操作PDF-文字和圖片提取(使用PyPDF2和PyMuPDF)

師者樂享發表於2020-12-25

PDF檔案格式

如今,可移植文件格式(PDF)屬於最常用的資料格式。在1990年,PDF文件的結構由Adobe定義。PDF格式的思想是,對於通訊過程中涉及的雙方(建立者,作者或傳送者以及接收者)而言,傳輸的資料/文件看起來完全相同。

工具和庫

適用於Python的PDF工具,模組和庫的可用解決方案範圍有些混亂,需要花一點時間弄清楚什麼是什麼,以及哪些專案需要連續維護。根據我們的研究,以下是最新的候選人:

  • PyPDF2:一個Python庫,用於提取文件資訊和內容,逐頁拆分文件,合併文件,裁剪頁面並新增水印。PyPDF2支援未加密和加密的文件。

  • PDFMiner:完全用Python編寫,適用於Python 2.4。對於Python 3,請使用克隆的包PDFMiner.six。這兩個軟體包都允許您解析,分析和轉換PDF文件。這包括對PDF 1.7以及CJK語言(中文,日文和韓文)的支援,以及各種字型型別(Type1,TrueType,Type3和CID)。

  • pdflib for Python:Poppler庫的擴充套件,為它提供了Python繫結。它使您可以解析,分析和轉換PDF文件。不要將其與具有相同名稱的商業吊墜相混淆。

  • PyFPDF:一個在Python下生成PDF文件的庫。從FPDF PHP庫移植而來,這是著名的PDFlib擴充套件替換,其中包含許多示例,指令碼和派生類。

  • PDFTables:一項商業服務,提供從PDF文件附帶的表格中提取的內容。提供一個API,以便PDFTables可以用作SAAS。

  • PyX -Python圖形包:PyX是用於建立PostScript,PDF和SVG檔案的Python包。它結合了PostScript繪圖模型的抽象和TeX / LaTeX介面。這些基元可以構建複雜的任務,例如以可釋出的質量建立2D和3D繪圖。

  • ReportLab:一個雄心勃勃的,具有行業實力的圖書館,主要致力於精確建立PDF文件。免費提供開放原始碼版本和名為ReportLab PLUS的商業增強版本。

  • PyMuPDF(又稱“ fitz”):MuPDF的Python繫結,這是一種輕量級的PDF和XPS檢視器。該庫可以訪問PDF,XPS,OpenXPS,epub,漫畫和小說書格式的檔案,並且以其最佳效能和高渲染質量而聞名。

  • pdfrw:一個基於Python的純PDF解析器,用於讀寫PDF。它忠實地再現向量格式而無需光柵化。與ReportLab結合使用時,它有助於在使用ReportLab建立的新PDF中重用現有PDF的一部分。

圖書館 用於
PyPDF2
PyMuPDF
pdflib
PDF表格
PDFMiner.six
PDF查詢
pdfrw 讀,寫/創作
PyFPDF 寫/創作

我們將重點介紹PyPDF2和PyMuPDF,並說明如何以最簡單的方式提取文字和影像。為了瞭解PyPDF2的用法,官方文件和許多其他資源提供的示例的組合對您有所幫助。相比之下,官方PyMuPDF文件更加清晰,並且使用該庫的速度也大大加快。

使用PyPDF2提取文字

$ pip3 install PyPDF2

清單1首先匯入了PdfFileReader該類。接下來,使用該類開啟文件,並使用getDocumentInfo()方法提取文件資訊,使用提取頁數getDocumentInfo()以及第一頁的內容。

請注意,PyPDF2從0開始計數頁面,這就是該呼叫pdf.getPage(0)檢索文件第一頁的原因。最終,提取的資訊被列印到stdout

清單1:提取文件資訊和內容。

#!/usr/bin/python

from PyPDF2 import PdfFileReader

pdf_document = "example.pdf"
with open(pdf_document, "rb") as filehandle:
    pdf = PdfFileReader(filehandle)
    info = pdf.getDocumentInfo()
    pages = pdf.getNumPages()

    print (info)
    print ("number of pages: %i" % pages)

    page1 = pdf.getPage(0)
    print(page1)
    print(page1.extractText())

如上面的圖1所示,提取的文字是連續列印的。沒有段落或句子分隔。如PyPDF2文件中所述,所有文字資料都按照在頁面內容流中提供的順序返回,並且依靠它可能會導致一些意外。這主要取決於PDF文件的內部結構,以及PDF編寫器過程如何生成PDF指令流。

使用PyMuPDF提取文字

可從PyPi網站上獲取PyMuPDF,並在終端中使用以下命令安裝軟體包:

$ pip3 install PyMuPDF

顯示文件資訊,列印頁數以及提取PDF文件的文字的方式與PyPDF2相似(請參見清單2)。要匯入的模組名為fitz,並返回到PyMuPDF的先前名稱。

清單2:使用PyMuPDF從PDF文件中提取內容。

#!/usr/bin/python

import fitz

pdf_document = "example.pdf"
doc = fitz.open(pdf_document)
print ("number of pages: %i" % doc.pageCount)
print(doc.metadata)

page1 = doc.loadPage(0)
page1text = page1.getText("text")
print(page1text)

PyMuPDF的優點是可以保持原始文件結構完整-帶有換行符的整個段落都保留在PDF文件中(參見圖2)。

使用PyMuPDF從PDF提取影像

PyMuPDF使用該方法簡化了從PDF文件提取影像的過程getPageImageList()清單3基於PyMuPDF Wiki頁面上的示例,並逐頁地將PDF中的所有影像提取並儲存為PNG檔案。如果影像具有CMYK色彩空間,則將首先將其轉換為RGB。

清單3:提取影像

#!/usr/bin/python

import fitz

pdf_document = fitz.open("file.pdf")
for current_page in range(len(pdf_document)):
    for image in pdf_document.getPageImageList(current_page):
        xref = image[0]
        pix = fitz.Pixmap(pdf_document, xref)
        if pix.n < 5:        # this is GRAY or RGB
            pix.writePNG("page%s-%s.png" % (current_page, xref))
        else:                # CMYK: convert to RGB first
            pix1 = fitz.Pixmap(fitz.csRGB, pix)
            pix1.writePNG("page%s-%s.png" % (current_page, xref))
            pix1 = None
        pix = None

在400頁PDF上執行此Python指令碼,它在不到3秒的時間內提取了117張影像,這真是了不起。單個影像以PNG格式儲存。為了保持原始影像的格式和大小,而不是轉換為PNG,請檢視PyMuPDF Wiki中指令碼的擴充套件版本。

圖3:提取的影像

使用PyPDF2將PDF拆分為頁面

對於此示例,首先需要同時匯入PdfFileReader和和PdfFileWriter類。然後,我們開啟PDF檔案,建立一個閱讀器物件,並使用閱讀器物件的getNumPages方法遍歷所有頁面。

for迴圈內部,我們建立的新例項PdfFileWriter,該例項尚不包含任何頁面。然後,使用pdfWriter.addPage()方法將當前頁面新增到我們的writer物件。此方法接受一個頁面物件,我們使用該PdfFileReader.getPage()方法獲取該物件。

下一步是建立一個唯一的檔名,我們使用原始檔名加上單詞“ page”以及頁碼來完成。我們在當前頁碼上加1,因為PyPDF2會計算從零開始的頁碼。

最後,我們以“寫二進位制”模式(mode wb)開啟新檔名,並使用該類的write()方法pdfWriter將提取的頁面儲存到磁碟。

清單4:將PDF拆分為單個頁面。

#!/usr/bin/python

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_document = "example.pdf"
pdf = PdfFileReader(pdf_document)

for page in range(pdf.getNumPages()):
    pdf_writer = PdfFileWriter()
    current_page = pdf.getPage(page)
    pdf_writer.addPage(current_page)

    outputFilename = "example-page-{}.pdf".format(page + 1)
    with open(outputFilename, "wb") as out:
        pdf_writer.write(out)

        print("created", outputFilename)

查詢所有包含文字的頁面

這個用例非常實用,並且工作方式類似於pdfgrep。該指令碼使用PyMuPDF返回包含給定搜尋字串的所有頁碼。頁面一頁接一頁地載入,藉助該searchFor()方法,將檢測到搜尋字串的所有出現情況。如果匹配則在上面印有相應的資訊stdout

清單5:搜尋給定的文字。

#!/usr/bin/python

import fitz

filename = "example.pdf"
search_term = "invoice"
pdf_document = fitz.open(filename):

for current_page in range(len(pdf_document)):
    page = pdf_document.loadPage(current_page)
    if page.searchFor(search_term):
        print("%s found on page %i" % (search_term, current_page))

下面的圖5顯示了一本400頁的書中“ Debian GNU / Linux”一詞的搜尋結果。

結論

此處顯示的處理PDF方法非常強大。使用相對較少的程式碼行數,很容易獲得結果。

相關文章