在之前的Python辦公自動(dòng)化案專題中，我們已經(jīng)介紹了如何有選擇的提取某些頁(yè)面進(jìn)行合并。
但是很多時(shí)候，我們并不會(huì)預(yù)知希望提取的頁(yè)號(hào)，而是希望將包含指定內(nèi)容的頁(yè)面提取合并為新PDF，本文就以兩個(gè)真實(shí)需求為例進(jìn)行講解。
01需求描述
數(shù)據(jù)是一份有286頁(yè)的上市公司公開(kāi)年報(bào)PDF，大致如下
現(xiàn)在需要利用 Python 完成以下兩個(gè)需求
“
需求一：提取所有包含 戰(zhàn)略 二字的頁(yè)面并合并新PDF
需求二：提取所有包含圖片的頁(yè)面，并分別保存為 PDF 文件
”
02前置知識(shí)和邏輯梳理
2.1 PyPDF2 模塊實(shí)現(xiàn)合并
PyPDF2 導(dǎo)入模塊的代碼常常是：
from PyPDF2 import PdfFileReader, PdfFileWriter
這里導(dǎo)入了兩個(gè)方法：
PdfFileReader 可以理解為讀取器PdfFileWriter 可以理解為寫(xiě)入器
利用 PyPDF2 實(shí)現(xiàn)合并運(yùn)用的一下邏輯：
- 讀取器將所有pdf讀取一遍
- 讀取器將讀取的內(nèi)容交給寫(xiě)入器
- 寫(xiě)入器統(tǒng)一輸出到一個(gè)新pdf
隱含知識(shí)點(diǎn)：讀取器只能將讀取的內(nèi)容一頁(yè)一頁(yè)交給寫(xiě)入器
2.2 獲取與添加頁(yè)面
之前我們的推文中提到這兩個(gè)代碼，下面列出作為復(fù)習(xí)：
.getPage 獲取特定頁(yè).addPage 添加特定頁(yè)
2.3 圖片和文字的處理
要實(shí)現(xiàn)本文的需求還要做到很重要的一個(gè)判斷：確定頁(yè)面中有無(wú)包含的文字或圖片
判斷是否包含特定的文字比較簡(jiǎn)單，遍歷每一頁(yè)的時(shí)候都將包含的文本抽提出，做字符串層面的判斷即可，代碼思路：
- 利用
pdfplumber 打開(kāi)PDF 文件
- 獲取指定的頁(yè)，或者遍歷每一頁(yè)
- 利用
.extract_text() 方法提取當(dāng)前頁(yè)的文字
- 判斷 “戰(zhàn)略” 是否在提取的文字中
判斷是否包含圖片，思路和上面是類似的，但方法不同。圖片考慮用正則的方法識(shí)別，用 fitz 和 re 配合，具體見(jiàn)下文代碼
03代碼實(shí)現(xiàn)
3.1 需求一的實(shí)現(xiàn)
首先來(lái)完成需求一的任務(wù)，導(dǎo)入需要用到的庫(kù)：讀取寫(xiě)入PDF文件的 PyPDF2 以及抽提文本的 pdfplumber
from PyPDF2 import PdfFileReader, PdfFileWriter
import pdfplumber
指定文件所在的路徑，同時(shí)初始化寫(xiě)入器，將文件交給讀取器：
path = r'C:\xxxxxx'
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF')
以上下文管理器形式通過(guò) pdfplumber 打開(kāi)文件，同時(shí)用 .getNumPages 獲取讀取器的最大頁(yè)利于遍歷每一頁(yè)來(lái)抽提文字：
with pdfplumber.open(path + r'\公司年報(bào).PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
我們抽提文字的目的是用來(lái)判斷，將符合要求的頁(yè)碼作為讀取器 .getPage 的參數(shù)，最后用 .addPage 交給寫(xiě)入器：
with pdfplumber.open(path + r'\公司年報(bào).PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
if '戰(zhàn)略' in page.extract_text():
pdf_writer.addPage(pdf_reader.getPage(i))
print(i + 1, page.extract_text())
完成識(shí)別后讓寫(xiě)入器輸出為需要的文件名：
with open(path + r'\new_公司年報(bào).pdf', 'wb') as out:
pdf_writer.write(out)
至此，我們就完成了包含特定文字內(nèi)容頁(yè)面的提取，并整合成一個(gè)PDF。所有的頁(yè)面均包含“戰(zhàn)略”二字：
需求一完整代碼如下，感興趣的讀者可以自行研究
from PyPDF2 import PdfFileReader, PdfFileWriter
import pdfplumber
path = r'C:\xxx'
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF')
with pdfplumber.open(path + r'\公司年報(bào).PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
if '戰(zhàn)略' in page.extract_text():
pdf_writer.addPage(pdf_reader.getPage(i))
print(i + 1, page.extract_text())
with open(path + r'\new_公司年報(bào)1.pdf', 'wb') as out:
pdf_writer.write(out)
3.2 需求二的實(shí)現(xiàn)
接下來(lái)完成需求二的任務(wù)。首先導(dǎo)入需要的庫(kù)：
from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os
指定文件所在的路徑：
正則識(shí)別圖片的部分不細(xì)講，之前的推文已經(jīng)介紹過(guò)，我們直接看代碼：
page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年報(bào).PDF')
lenXREF = pdf._getXrefLength()
for i in range(lenXREF):
text = pdf._getXrefString(i)
isImage = re.search(checkImg, text)
if isImage:
page_lst.append(i)
print(page_lst)
獲取到所有包含圖片的頁(yè)面后，再結(jié)合讀取器和寫(xiě)入器的配合就能完成新 PDF 的產(chǎn)生。注意本需求是所有圖片單獨(dú)輸出，因此獲取到頁(yè)面后交給寫(xiě)入器直接輸出成文件：
pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF')
for page in page_lst:
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(page))
with open(path + r'\公司年報(bào)_{}.pdf'.format(page + 1), 'wb') as out:
pdf_writer.write(out)
至此也完成了第二個(gè)需求。需要說(shuō)明的是目前沒(méi)有非常完美提取PDF圖片的方法，本案例介紹的方法識(shí)別圖片也并不穩(wěn)定。讀者可以利用自己的數(shù)據(jù)多做嘗試。完整代碼如下：
from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os
path = r'C:\xxx'
page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年報(bào).PDF')
lenXREF = pdf._getXrefLength()
for i in range(lenXREF):
text = pdf._getXrefString(i)
isImage = re.search(checkImg, text)
if isImage:
page_lst.append(i)
print(page_lst)
pdf_reader = PdfFileReader(path + r'\公司年報(bào).PDF')
for page in page_lst:
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(page))
with open(path + r'\公司年報(bào)_{}.pdf'.format(page + 1), 'wb') as out:
pdf_writer.write(out)
實(shí)現(xiàn)這兩個(gè)單個(gè)需求后，就可以將相關(guān)代碼封裝并結(jié)合os等模塊實(shí)現(xiàn)批量操作，解放雙手。
到此這篇關(guān)于Python提取PDF指定內(nèi)容并生成新文件的文章就介紹到這了,更多相關(guān)Python提取PDF指定內(nèi)容內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python解析PDF程序代碼
- python實(shí)現(xiàn)csdn全部博文下載并轉(zhuǎn)PDF
- Python合并多張圖片成PDF
- 詳解用Python把PDF轉(zhuǎn)為Word方法總結(jié)
- python操作mysql、excel、pdf的示例
- python pdfkit 中文亂碼問(wèn)題的解決方案
- python 三種方法提取pdf中的圖片
- Python實(shí)現(xiàn)給PDF添加水印的方法
- Python讀取pdf表格寫(xiě)入excel的方法
- Python 多張圖片合并成一個(gè)pdf的參考示例
