Python提取pdf

工具和库

适用于Python的PDF工具，模块和库的可用解决方案范围有些混乱，需要花一点时间弄清楚什么是什么，以及哪些项目需要连续维护。根据我们的研究，以下是最新的候选人：

PyPDF2：一个Python库，用于提取文档信息和内容，逐页拆分文档，合并文档，裁剪页面并添加水印。PyPDF2支持未加密和加密的文档。

PDFMiner：完全用Python编写，适用于Python 2.4。对于Python 3，请使用克隆的包PDFMiner.six。这两个软件包都允许您解析，分析和转换PDF文档。这包括对PDF 1.7以及CJK语言（中文，日文和韩文）的支持，以及各种字体类型（Type1，TrueType，Type3和CID）。

pdflibfor Python：Poppler库的扩展，为它提供了Python绑定。它使您可以解析，分析和转换PDF文档。不要将其与具有相同名称的商业吊坠相混淆。

PyFPDF：一个在Python下生成PDF文档的库。从FPDFPHP库移植而来，这是著名的PDFlib扩展替换，其中包含许多示例，脚本和派生类。

PDFTables：一项商业服务，提供从PDF文档附带的表格中提取的内容。提供一个API，以便PDFTables可以用作SAAS。

PyX-Python图形包：PyX是用于创建PostScript，PDF和SVG文件的Python包。它结合了PostScript绘图模型的抽象和TeX / LaTeX接口。这些基元可以构建复杂的任务，例如以可发布的质量创建2D和3D绘图。

ReportLab：一个雄心勃勃的，具有行业实力的图书馆，主要致力于精确创建PDF文档。免费提供开放源代码版本和名为ReportLab PLUS的商业增强版本。

PyMuPDF（又称“ fitz”）：MuPDF的Python绑定，这是一种轻量级的PDF和XPS查看器。该库可以访问PDF，XPS，OpenXPS，epub，漫画和小说书格式的文件，并且以其最佳性能和高渲染质量而闻名。

pdfrw：一个基于Python的纯PDF解析器，用于读写PDF。它忠实地再现矢量格式而无需光栅化。与ReportLab结合使用时，它有助于在使用ReportLab创建的新PDF中重用现有PDF的一部分。

使用PyMuPDF提取文本

可从PyPi网站上获取PyMuPDF，并在终端中使用以下命令安装软件包：

$ pip3 installPyMuPDF

使用PyMuPDF提取文本

可从PyPi网站上获取PyMuPDF，并在终端中使用以下命令安装软件包：

1. pip3 installPyMuPDF

显示文档信息，打印页数以及提取PDF文档的文本的方式与PyPDF2相似（请参见清单2）。要导入的模块名为fitz，并返回到PyMuPDF的先前名称。

2使用PyMuPDF从PDF文档中提取内容。

#!/usr/bin/pythonimportfitzpdf_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的优点是可以保持原始文档结构完整-带有换行符的整个段落都保留在PDF文档中（参见图2）。

使用PyMuPDF从PDF提取图像

PyMuPDF使用该方法简化了从PDF文档提取图像的过程getPageImageList()。清单3基于PyMuPDF Wiki页面上的示例，并逐页地将PDF中的所有图像提取并保存为PNG文件。如果图像具有CMYK色彩空间，则将首先将其转换为RGB。

清单3：提取图像

#!/usr/bin/pythonimportfitzpdf_document=fitz.open("file.pdf")forcurrent_pageinrange(len(pdf_document)):forimageinpdf_document.getPageImageList(current_page):xref=image[0]pix=fitz.Pixmap(pdf_document,xref)ifpix.n<5:# this is GRAY or RGBpix.writePNG("page%s-%s.png"%(current_page,xref))else:# CMYK: convert to RGB firstpix1=fitz.Pixmap(fitz.csRGB,pix)pix1.writePNG("page%s-%s.png"%(current_page,xref))pix1=Nonepix=None