Python 提取PDF文字和圖片

iceblue發表於2023-10-10
Python

從PDF中提取內容能幫助我們獲取檔案中的資訊，以便進行進一步的分析和處理。此外，在遇到類似專案時，提取出來的文字或圖片也能再次利用。要在Python中透過程式碼提取PDF檔案中的文字和圖片，可以使用 Spire.PDF for Python 這個第三方庫。具體操作方法查閱下文。

  • Python 提取PDF文字
  • Python 提取PDF頁面中指定矩形區域的文字
  • Python 提取PDF圖片

 

安裝 Spire.PDF for Python

本文中用到的Python PDF庫支援在各種 Python 程式中建立、讀取、編輯、轉換和儲存 PDF 文件。要安裝此產品，可使用以下 pip 命令。

pip install Spire.PDF

要了解詳細安裝教程，參考： 如何在 VS Code 中安裝 Spire.PDF for Python

 

使用 Python 提取PDF文字

Spire.PDF for Python 提供的 PdfPageBase.ExtractText() 方法能提取一個 PDF 頁面中文字。根據你的具體需求，你可以選擇僅提取某頁中的文字，或者遍歷所有頁面以提取整個PDF檔案中的文字。完整Python程式碼如下：

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

# 建立PdfDocument類的例項
pdf = PdfDocument()

# 載入PDF文件
pdf.LoadFromFile("大資料.pdf")

# 建立一個TXT檔案來儲存提取的文字
extractedText = open("Output/提取文字.txt", "w", encoding="utf-8")

# 遍歷文件的每一頁
for i in range(pdf.Pages.Count):
    # 獲取頁面
    page = pdf.Pages.get_Item(i)
    # 從頁面提取文字
    text = page.ExtractText()
    # 將文字寫入TXT檔案
    extractedText.write(text + "\n")

extractedText.close()
pdf.Close()

 

使用 Python 提取PDF頁面中指定矩形區域的文字

如果你只需要提取某個PDF頁面中指定區域的文字，你可以指定一個矩形範圍然後使用 PdfPageBase.ExtractText(RectangleF rectangleF) 方法提取其中的文字內容。完整Python程式碼如下：

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

# 建立PdfDocument類的物件
pdf = PdfDocument()

# 載入PDF文件
pdf.LoadFromFile("大資料.pdf")

# 獲取第一頁
page = pdf.Pages.get_Item(0)

# 從頁面的指定矩形區域提取文字
text = page.ExtractText(RectangleF(0.0, 400.0, 770.0, 180.0))

# 將提取的文字儲存到TXT檔案中
extractedText = open("Output/PDF文字.txt", "w", encoding="utf-8")
extractedText.write(text)
extractedText.close()
pdf.Close()

 

使用 Python 提取PDF圖片

除了提取文字外，Spire.PDF for Python 還提供了 PdfPageBase.ExtractImages() 方法來提取PDF檔案中的圖片。要提取一個PDF檔案中的所有圖片並儲存到指定路徑，參考以下Python程式碼。

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

# 建立PdfDocument類的例項
pdf = PdfDocument()

# 載入PDF文件
pdf.LoadFromFile("大資料.pdf")

# 建立一個列表來儲存圖篇
images = []

# 遍歷文件的每一頁
for i in range(pdf.Pages.Count):
    # 獲取頁面
    page = pdf.Pages.get_Item(i)
    # 從頁面提取圖片並儲存在建立的列表中
    for img in page.ExtractImages():
        images.append(img)

# 儲存影像
i = 0
for image in images:
    i += 1
    image.Save("Output/圖片/圖片-{0:d}.png".format(i), ImageFormat.get_Png())

pdf.Close()

 

相關文章