519 lines
24 KiB
Markdown
519 lines
24 KiB
Markdown
# 使用 Python 从 pdf 导出数据
|
||
|
||
> 原文：<https://www.blog.pythonlibrary.org/2018/05/03/exporting-data-from-pdfs-with-python/>
|
||
|
||
很多时候，您会希望从 PDF 中提取数据，并使用 Python 将其导出为不同的格式。不幸的是，没有很多 Python 包能很好地完成提取部分。在这一章中，我们将会看到各种不同的可以用来提取文本的包。我们还将学习如何从 pdf 中提取一些图像。虽然 Python 中没有针对这些任务的完整解决方案，但是您应该能够使用这里的信息来开始。一旦我们提取了我们想要的数据，我们还将研究如何获取这些数据并以不同的格式导出。
|
||
|
||
让我们从学习如何提取文本开始吧！
|
||
|
||
* * *
|
||
|
||
### 使用 PDFMiner 提取文本
|
||
|
||
可能最广为人知的是一个叫做 **PDFMiner** 的包。PDFMiner 包从 Python 2.4 开始就存在了。它的主要目的是从 PDF 中提取文本。事实上，PDFMiner 可以告诉您文本在页面上的确切位置以及关于字体的父信息。对于 Python 2.4 - 2.7，您可以参考以下网站以获得关于 PDFMiner 的更多信息:
|
||
|
||
* github-[https://github.com/euske/pdfminer](https://github.com/euske/pdfminer)
|
||
* PyPI-[https://pypi.python.org/pypi/pdfminer/](https://pypi.python.org/pypi/pdfminer/)
|
||
* 网页-[https://euke . github . io/pdf miner/](https://euske.github.io/pdfminer/)
|
||
|
||
PDFMiner 与 Python 3 不兼容。幸运的是，有一个名为 **PDFMiner.six** 的 PDFMiner 分支，其工作原理完全相同。你可以在这里找到:【https://github.com/pdfminer/pdfminer.sixT2
|
||
|
||
| [](https://leanpub.com/reportlab) | 想了解更多关于使用 Python 处理 pdf 的信息吗？然后看看我的书:
|
||
|
||
### ReportLab:使用 Python 处理 PDF
|
||
|
||
**[在 Leanpub](https://leanpub.com/reportlab) 上立即购买** |
|
||
|
||
安装 PDFMiner 的说明已经过时了。您实际上可以使用 pip 来安装它:
|
||
|
||
```py
|
||
|
||
python -m pip install pdfminer
|
||
|
||
```
|
||
|
||
如果您想为 Python 3 安装 PDFMiner(这可能是您应该做的)，那么您必须像这样进行安装:
|
||
|
||
```py
|
||
|
||
python -m pip install pdfminer.six
|
||
|
||
```
|
||
|
||
关于 PDFMiner 的文档充其量只能算是相当差的。你很可能需要使用 Google 和 StackOverflow 来弄清楚如何有效地使用本章没有涉及的 PDFMiner。
|
||
|
||
#### 提取所有文本
|
||
|
||
有时您会想要提取 PDF 中的所有文本。PDFMiner 包提供了几种不同的方法来实现这一点。我们将首先看一些编程方法。让我们试着读出国内税收服务 W9 表格中的所有文本。你可以从这里得到一份:[https://www.irs.gov/pub/irs-pdf/fw9.pdf](https://www.irs.gov/pub/irs-pdf/fw9.pdf)
|
||
|
||
一旦您正确保存了 PDF，我们就可以查看代码:
|
||
|
||
```py
|
||
|
||
import io
|
||
|
||
from pdfminer.converter import TextConverter
|
||
from pdfminer.pdfinterp import PDFPageInterpreter
|
||
from pdfminer.pdfinterp import PDFResourceManager
|
||
from pdfminer.pdfpage import PDFPage
|
||
|
||
def extract_text_from_pdf(pdf_path):
|
||
resource_manager = PDFResourceManager()
|
||
fake_file_handle = io.StringIO()
|
||
converter = TextConverter(resource_manager, fake_file_handle)
|
||
page_interpreter = PDFPageInterpreter(resource_manager, converter)
|
||
|
||
with open(pdf_path, 'rb') as fh:
|
||
for page in PDFPage.get_pages(fh,
|
||
caching=True,
|
||
check_extractable=True):
|
||
page_interpreter.process_page(page)
|
||
|
||
text = fake_file_handle.getvalue()
|
||
|
||
# close open handles
|
||
converter.close()
|
||
fake_file_handle.close()
|
||
|
||
if text:
|
||
return text
|
||
|
||
if __name__ == '__main__':
|
||
print(extract_text_from_pdf('w9.pdf'))
|
||
|
||
```
|
||
|
||
当您直接使用 PDFMiner 包时，它可能有点冗长。在这里，我们从 PDFMiner 的各个部分导入不同的片段。因为没有这些类的文档，也没有 docstrings，所以我不会深入解释它们是做什么的。如果你真的很好奇的话，可以自己钻研源代码。然而，我认为我们可以跟着代码走。
|
||
|
||
我们做的第一件事是创建一个资源管理器实例。然后我们通过 Python 的 **io** 模块创建一个类似文件的对象。如果你使用的是 Python 2，那么你会希望使用 **StringIO** 模块。我们的下一步是创建一个转换器。在本例中，我们选择了 **TextConverter** ，但是如果你愿意，你也可以使用 **HTMLConverter** 或者 **XMLConverter** 。最后，我们创建一个 PDF 解释器对象，它将接受我们的资源管理器和转换器对象并提取文本。
|
||
|
||
最后一步是打开 PDF 并循环浏览每一页。最后，我们获取所有文本，关闭各种处理程序，并将文本打印到 stdout。
|
||
|
||
#### 逐页提取文本
|
||
|
||
坦白地说，从一个多页文档中抓取所有文本并不那么有用。通常，您会希望在文档的较小子集上工作。因此，让我们重写代码，以便它能够逐页提取文本。这将允许我们一页一页地检查文本:
|
||
|
||
```py
|
||
|
||
# miner_text_generator.py
|
||
|
||
import io
|
||
|
||
from pdfminer.converter import TextConverter
|
||
from pdfminer.pdfinterp import PDFPageInterpreter
|
||
from pdfminer.pdfinterp import PDFResourceManager
|
||
from pdfminer.pdfpage import PDFPage
|
||
|
||
def extract_text_by_page(pdf_path):
|
||
with open(pdf_path, 'rb') as fh:
|
||
for page in PDFPage.get_pages(fh,
|
||
caching=True,
|
||
check_extractable=True):
|
||
resource_manager = PDFResourceManager()
|
||
fake_file_handle = io.StringIO()
|
||
converter = TextConverter(resource_manager, fake_file_handle)
|
||
page_interpreter = PDFPageInterpreter(resource_manager, converter)
|
||
page_interpreter.process_page(page)
|
||
|
||
text = fake_file_handle.getvalue()
|
||
yield text
|
||
|
||
# close open handles
|
||
converter.close()
|
||
fake_file_handle.close()
|
||
|
||
def extract_text(pdf_path):
|
||
for page in extract_text_by_page(pdf_path):
|
||
print(page)
|
||
print()
|
||
|
||
if __name__ == '__main__':
|
||
print(extract_text('w9.pdf'))
|
||
|
||
```
|
||
|
||
在这个例子中，我们创建了一个生成器函数，**生成**每页的文本。 **extract_text** 函数打印出每一页的文本。在这里我们可以添加一些解析逻辑来解析出我们想要的东西。或者我们可以将文本(或 HTML 或 XML)保存为单独的文件，以便将来解析。
|
||
|
||
您会注意到文本可能没有按照您期望的顺序排列。所以你肯定需要找出解析出你感兴趣的文本的最佳方法。
|
||
|
||
PDFMiner 的好处在于，您已经可以将 PDF 导出为文本、HTML 或 XML。
|
||
|
||
如果您不想自己尝试找出 PDFMiner，也可以使用 PDFMiner 的命令行工具， **pdf2txt.py** 和 **dumppdf.py** 来为您完成导出。根据 **pdf2txt.py** 的源代码，可以用来将一个 pdf 导出为纯文本、html、xml 或者“标签”。
|
||
|
||
* * *
|
||
|
||
### 通过 pdf2txt.py 导出文本
|
||
|
||
默认情况下，pdfMiner 附带的 **pdf2txt.py** 命令行工具将从 PDF 文件中提取文本并将其打印到 stdout。它不能识别图像文本，因为 PDFMiner 不支持光学字符识别(OCR)。让我们试试使用它的最简单的方法，就是把路径传递给 PDF 文件。我们将使用 w9.pdf 的**。打开终端并导航到您保存该 PDF 的位置，或者修改下面的命令以指向该文件:**
|
||
|
||
```py
|
||
|
||
pdf2txt.py w9.pdf
|
||
|
||
```
|
||
|
||
如果运行这个命令，它会将所有文本打印到 stdout。您也可以让 pdf2txt.py 将文本以文本、HTML、XML 或“标记 pdf”的形式写入文件。XML 格式将给出关于 PDF 的大部分信息，因为它包含文档中每个字母的位置以及字体信息。不推荐使用 HTML，因为 pdf2txt 生成的标记往往很难看。以下是获得不同格式输出的方法:
|
||
|
||
```py
|
||
|
||
pdf2txt.py -o w9.html w9.pdf
|
||
pdf2txt.py -o w9.xml w9.pdf
|
||
|
||
```
|
||
|
||
第一个命令将创建一个 HTML 文档，而第二个命令将创建一个 XML 文档。以下是我在进行 HTML 转换时得到的一张照片:
|
||
|
||
|
||
|
||
正如你所看到的，最终的结果看起来有点差，但还不算太差。它输出的 XML 非常冗长，所以我不能在这里全部复制。不过，这里有一个片段可以让你了解它的样子:
|
||
|
||
```py
|
||
<pages><page id="1" bbox="0.000,0.000,611.976,791.968" rotate="0"><textbox id="0" bbox="36.000,732.312,100.106,761.160"><textline bbox="36.000,732.312,100.106,761.160"><text font="JYMPLA+HelveticaNeueLTStd-Roman" bbox="36.000,736.334,40.018,744.496" size="8.162">F</text>
|
||
<text font="JYMPLA+HelveticaNeueLTStd-Roman" bbox="40.018,736.334,44.036,744.496" size="8.162">o</text>
|
||
<text font="JYMPLA+HelveticaNeueLTStd-Roman" bbox="44.036,736.334,46.367,744.496" size="8.162">r</text>
|
||
<text font="JYMPLA+HelveticaNeueLTStd-Roman" bbox="46.367,736.334,52.338,744.496" size="8.162">m</text>
|
||
|
||
<text font="ZWOHBU+HelveticaNeueLTStd-BlkCn" bbox="60.122,732.312,78.794,761.160" size="28.848">W</text>
|
||
<text font="ZWOHBU+HelveticaNeueLTStd-BlkCn" bbox="78.794,732.312,87.626,761.160" size="28.848">-</text>
|
||
<text font="ZWOHBU+HelveticaNeueLTStd-BlkCn" bbox="87.626,732.312,100.106,761.160" size="28.848">9</text></textline></textbox></page></pages>
|
||
```
|
||
|
||
* * *
|
||
|
||
### 使用 Slate 提取文本
|
||
|
||
Tim McNamara 不喜欢 PDFMiner 使用起来如此迟钝和困难，所以他写了一个名为 **slate** 的包装器，使得从 pdf 中提取文本更加容易。不幸的是，它似乎与 Python 3 不兼容。如果你想试一试，你可能需要有 **easy_install** 来安装 **distribute** 包，就像这样:
|
||
|
||
```py
|
||
|
||
easy_install distribute
|
||
|
||
```
|
||
|
||
我无法让 pip 正确安装软件包。一旦安装完毕，您将能够使用 pip 来安装 slate:
|
||
|
||
```py
|
||
|
||
python -m pip install slate
|
||
|
||
```
|
||
|
||
请注意，最新版本是 0.5.2，pip 可能会也可能不会获取该版本。如果没有，那么您可以直接从 Github 安装 slate:
|
||
|
||
```py
|
||
|
||
python -m pip install git+https://github.com/timClicks/slate
|
||
|
||
```
|
||
|
||
现在我们准备编写一些代码来从 PDF 中提取文本:
|
||
|
||
```py
|
||
|
||
# slate_text_extraction.py
|
||
|
||
import slate
|
||
|
||
def extract_text_from_pdf(pdf_path):
|
||
with open(pdf_path) as fh:
|
||
document = slate.PDF(fh, password='', just_text=1)
|
||
|
||
for page in document:
|
||
print(page)
|
||
|
||
if __name__ == '__main__':
|
||
extract_text_from_pdf('w9.pdf')
|
||
|
||
```
|
||
|
||
如您所见，要让 slate 解析 PDF，您只需导入 slate，然后创建其 **PDF** 类的一个实例。PDF 类实际上是 Python 的**列表**内置的一个子类，所以它只返回文本页面的列表/ iterable。您还会注意到，如果 PDF 设置了密码，我们可以传入一个密码参数。无论如何，一旦文档被解析，我们只需打印出每页上的文本。
|
||
|
||
我真的很喜欢 slate 的易用性。不幸的是，几乎没有与这个包相关的文档。查看源代码后，似乎这个包只支持文本提取。
|
||
|
||
* * *
|
||
|
||
### 导出您的数据
|
||
|
||
现在我们有了一些要处理的文本，我们将花一些时间学习如何以各种不同的格式导出数据。具体来说，我们将学习如何通过以下方式导出文本:
|
||
|
||
* 可扩展标记语言
|
||
* JSON
|
||
* 战斗支援车
|
||
|
||
我们开始吧！
|
||
|
||
* * *
|
||
|
||
### 导出到 XML
|
||
|
||
可扩展标记语言(XML)格式是最广为人知的输出和输入格式之一。它在互联网上被广泛用于许多不同的事情。正如我们在本章中已经看到的，PDFMiner 也支持 XML 作为其输出之一。
|
||
|
||
不过，让我们创建自己的 XML 创建工具。这里有一个简单的例子:
|
||
|
||
```py
|
||
|
||
# xml_exporter.py
|
||
|
||
import os
|
||
import xml.etree.ElementTree as xml
|
||
|
||
from miner_text_generator import extract_text_by_page
|
||
from xml.dom import minidom
|
||
|
||
def export_as_xml(pdf_path, xml_path):
|
||
filename = os.path.splitext(os.path.basename(pdf_path))[0]
|
||
root = xml.Element('{filename}'.format(filename=filename))
|
||
pages = xml.Element('Pages')
|
||
root.append(pages)
|
||
|
||
counter = 1
|
||
for page in extract_text_by_page(pdf_path):
|
||
text = xml.SubElement(pages, 'Page_{}'.format(counter))
|
||
text.text = page[0:100]
|
||
counter += 1
|
||
|
||
tree = xml.ElementTree(root)
|
||
xml_string = xml.tostring(root, 'utf-8')
|
||
parsed_string = minidom.parseString(xml_string)
|
||
pretty_string = parsed_string.toprettyxml(indent=' ')
|
||
|
||
with open(xml_path, 'w') as fh:
|
||
fh.write(pretty_string)
|
||
#tree.write(xml_path)
|
||
|
||
if __name__ == '__main__':
|
||
pdf_path = 'w9.pdf'
|
||
xml_path = 'w9.xml'
|
||
export_as_xml(pdf_path, xml_path)
|
||
|
||
```
|
||
|
||
这个脚本将使用 Python 的内置 XML 库， **minidom** 和 **ElementTree** 。我们还导入了 PDFMiner 生成器脚本，用于一次抓取一页文本。在这个例子中，我们创建了顶层元素，它是 PDF 的文件名。然后我们在它下面添加一个**页面**元素。下一步是我们的 **for** 循环，我们从 PDF 中提取每一页并保存我们想要的信息。您可以在这里添加一个特殊的解析器，将页面分成句子或单词，解析出更多有趣的信息。例如，您可能只想要带有特定名称或日期/时间戳的句子。您可以使用 Python 的正则表达式来查找这些内容，或者只是检查句子中是否存在子字符串。
|
||
|
||
对于这个例子，我们只从每个页面中提取前 100 个字符，并将它们保存到一个 XML **子元素**中。从技术上讲，下一段代码可以简化为只写出 XML。然而，ElementTree 并没有对 XML 做任何处理以使其易于阅读。它看起来有点像缩小的 javascript，因为它只是一个巨大的文本块。因此，我们没有将文本块写入磁盘，而是使用 **minidom** 在写出之前用空格“美化”XML。结果看起来像这样:
|
||
|
||
```py
|
||
|
||
|
||
<w9><pages><page_1>Form W-9(Rev. November 2017)Department of the Treasury Internal Revenue Service Request for Taxp</page_1>
|
||
<page_2>Form W-9 (Rev. 11-2017)Page 2 By signing the filled-out form, you: 1\. Certify that the TIN you are g</page_2>
|
||
<page_3>Form W-9 (Rev. 11-2017)Page 3 Criminal penalty for falsifying information. Willfully falsifying cert</page_3>
|
||
<page_4>Form W-9 (Rev. 11-2017)Page 4 The following chart shows types of payments that may be exempt from ba</page_4>
|
||
<page_5>Form W-9 (Rev. 11-2017)Page 5 1\. Interest, dividend, and barter exchange accounts opened before 1984</page_5>
|
||
<page_6>Form W-9 (Rev. 11-2017)Page 6 The IRS does not initiate contacts with taxpayers via emails. Also, th</page_6></pages></w9>
|
||
```
|
||
|
||
这是非常干净的 XML，也很容易阅读。作为奖励，您可以利用在 PyPDF2 章节中学到的知识，从 PDF 中提取元数据并添加到 XML 中。
|
||
|
||
* * *
|
||
|
||
### 导出到 JSON
|
||
|
||
JavaScript Object Notation 或 JSON 是一种易于读写的轻量级数据交换格式。Python 在其标准库中包含了一个 **json** 模块，允许您以编程方式读写 json。让我们利用上一节学到的知识，创建一个输出 JSON 而不是 XML 的导出器脚本:
|
||
|
||
```py
|
||
|
||
# json_exporter.py
|
||
|
||
import json
|
||
import os
|
||
|
||
from miner_text_generator import extract_text_by_page
|
||
|
||
def export_as_json(pdf_path, json_path):
|
||
filename = os.path.splitext(os.path.basename(pdf_path))[0]
|
||
data = {'Filename': filename}
|
||
data['Pages'] = []
|
||
|
||
counter = 1
|
||
for page in extract_text_by_page(pdf_path):
|
||
text = page[0:100]
|
||
page = {'Page_{}'.format(counter): text}
|
||
data['Pages'].append(page)
|
||
counter += 1
|
||
|
||
with open(json_path, 'w') as fh:
|
||
json.dump(data, fh)
|
||
|
||
if __name__ == '__main__':
|
||
pdf_path = 'w9.pdf'
|
||
json_path = 'w9.json'
|
||
export_as_json(pdf_path, json_path)
|
||
|
||
```
|
||
|
||
在这里，我们导入我们需要的各种库，包括我们的 PDFMiner 模块。然后我们创建一个接受 PDF 输入路径和 JSON 输出路径的函数。JSON 基本上是 Python 中的一个字典，所以我们创建了几个简单的顶级键:**文件名**和**页面**。第**页的**键映射到一个空列表。接下来，我们遍历 PDF 的每一页，提取每页的前 100 个字符。然后，我们创建一个以页码为键、以 100 个字符为值的字典，并将其添加到顶级页面的列表中。最后，我们使用 **json** 模块的 **dump** 命令来编写文件。
|
||
|
||
文件的内容最终看起来像这样:
|
||
|
||
```py
|
||
|
||
{'Filename': 'w9',
|
||
'Pages': [{'Page_1': 'Form W-9(Rev. November 2017)Department of the Treasury Internal Revenue Service Request for Taxp'},
|
||
{'Page_2': 'Form W-9 (Rev. 11-2017)Page 2 By signing the filled-out form, you: 1\. Certify that the TIN you are g'},
|
||
{'Page_3': 'Form W-9 (Rev. 11-2017)Page 3 Criminal penalty for falsifying information. Willfully falsifying cert'},
|
||
{'Page_4': 'Form W-9 (Rev. 11-2017)Page 4 The following chart shows types of payments that may be exempt from ba'},
|
||
{'Page_5': 'Form W-9 (Rev. 11-2017)Page 5 1\. Interest, dividend, and barter exchange accounts opened before 1984'},
|
||
{'Page_6': 'Form W-9 (Rev. 11-2017)Page 6 The IRS does not initiate contacts with taxpayers via emails. Also, th'}]}
|
||
|
||
```
|
||
|
||
同样，我们有一些易读的输出。如果您愿意，也可以用 PDF 的元数据来增强这个例子。请注意，输出会根据您希望从每个页面或文档中解析出的内容而变化。
|
||
|
||
现在，让我们快速了解一下如何导出到 CSV。
|
||
|
||
* * *
|
||
|
||
### 导出到 CSV
|
||
|
||
CSV 代表**逗号分隔值* *。这是一种非常标准的格式，已经存在了很长时间。CSV 的好处在于 Microsoft Excel 和 LibreOffice 会自动在一个漂亮的电子表格中打开它们。如果您想查看原始值，也可以在文本编辑器中打开 CSV 文件。
|
||
|
||
Python 有一个内置的 **csv** 模块，可以用来读写 csv 文件。我们将在这里使用它从 PDF 中提取的文本创建一个 CSV。让我们来看看一些代码:
|
||
|
||
```py
|
||
|
||
# csv_exporter.py
|
||
|
||
import csv
|
||
import os
|
||
|
||
from miner_text_generator import extract_text_by_page
|
||
|
||
def export_as_csv(pdf_path, csv_path):
|
||
filename = os.path.splitext(os.path.basename(pdf_path))[0]
|
||
|
||
counter = 1
|
||
with open(csv_path, 'w') as csv_file:
|
||
writer = csv.writer(csv_file)
|
||
for page in extract_text_by_page(pdf_path):
|
||
text = page[0:100]
|
||
words = text.split()
|
||
writer.writerow(words)
|
||
|
||
if __name__ == '__main__':
|
||
pdf_path = 'w9.pdf'
|
||
csv_path = 'w9.csv'
|
||
export_as_csv(pdf_path, csv_path)
|
||
|
||
```
|
||
|
||
对于这个例子，我们导入 Python 的 **csv** 库。否则，导入与前面的示例相同。在我们的函数中，我们使用 CSV 文件路径创建了一个 CSV 文件处理程序。然后，我们初始化一个 CSV writer 对象，将该文件处理程序作为唯一的参数。接下来，我们像以前一样遍历 PDF 的页面。这里唯一的不同是，我们将前 100 个字符拆分成单独的单词。这允许我们将一些实际数据添加到 CSV 中。如果我们不这样做，那么每一行中只有一个元素，这就不是一个真正的 CSV 文件。最后，我们将单词列表写入 CSV 文件。
|
||
|
||
这是我得到的结果:
|
||
|
||
```py
|
||
|
||
Form,W-9(Rev.,November,2017)Department,of,the,Treasury,Internal,Revenue,Service,Request,for,Taxp
|
||
Form,W-9,(Rev.,11-2017)Page,2,By,signing,the,filled-out,"form,",you:,1.,Certify,that,the,TIN,you,are,g
|
||
Form,W-9,(Rev.,11-2017)Page,3,Criminal,penalty,for,falsifying,information.,Willfully,falsifying,cert
|
||
Form,W-9,(Rev.,11-2017)Page,4,The,following,chart,shows,types,of,payments,that,may,be,exempt,from,ba
|
||
Form,W-9,(Rev.,11-2017)Page,5,1.,"Interest,","dividend,",and,barter,exchange,accounts,opened,before,1984
|
||
Form,W-9,(Rev.,11-2017)Page,6,The,IRS,does,not,initiate,contacts,with,taxpayers,via,emails.,"Also,",th
|
||
|
||
```
|
||
|
||
我认为这个例子比 JSON 或 XML 例子更难理解，但也不算太差。现在让我们继续，看看我们如何从 PDF 中提取图像。
|
||
|
||
* * *
|
||
|
||
### 从 pdf 中提取图像
|
||
|
||
不幸的是，没有 Python 包真正从 pdf 中提取图像。我找到的最接近的是一个名为 **minecart** 的项目，它声称可以做到，但只在 Python 2.7 上工作。我无法让它与我拥有的样本 pdf 一起工作。内德·巴奇尔德的[博客](https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html)上有一篇文章讲述了他是如何从 pdf 中提取 jpg 的。他的代码如下:
|
||
|
||
```py
|
||
|
||
# Extract jpg's from pdf's. Quick and dirty.
|
||
import sys
|
||
|
||
pdf = file(sys.argv[1], "rb").read()
|
||
|
||
startmark = "\xff\xd8"
|
||
startfix = 0
|
||
endmark = "\xff\xd9"
|
||
endfix = 2
|
||
i = 0
|
||
|
||
njpg = 0
|
||
while True:
|
||
istream = pdf.find("stream", i)
|
||
if istream < 0:
|
||
break
|
||
istart = pdf.find(startmark, istream, istream+20)
|
||
if istart < 0:
|
||
i = istream+20
|
||
continue
|
||
iend = pdf.find("endstream", istart)
|
||
if iend < 0:
|
||
raise Exception("Didn't find end of stream!")
|
||
iend = pdf.find(endmark, iend-20)
|
||
if iend < 0:
|
||
raise Exception("Didn't find end of JPG!")
|
||
|
||
istart += startfix
|
||
iend += endfix
|
||
print("JPG %d from %d to %d" % (njpg, istart, iend))
|
||
jpg = pdf[istart:iend]
|
||
jpgfile = file("jpg%d.jpg" % njpg, "wb")
|
||
jpgfile.write(jpg)
|
||
jpgfile.close()
|
||
|
||
njpg += 1
|
||
i = iend
|
||
|
||
```
|
||
|
||
这也不适用于我正在使用的 pdf。有些人在评论中声称它对他们的一些 pdf 文件有效，评论中也有一些更新代码的例子。StackOverflow 上有这段代码的变体，其中一些以某种方式使用了 PyPDF2。这些对我来说都不起作用。
|
||
|
||
我的建议是使用像 **Poppler** 这样的工具来提取图像。Poppler 有一个叫做 **pdfimages** 的工具，你可以和 Python 的**子流程**模块一起使用。以下是在没有 Python 的情况下如何使用它:
|
||
|
||
```py
|
||
|
||
pdfimages -all reportlab-sample.pdf images/prefix-jpg
|
||
|
||
```
|
||
|
||
确保已经创建了**图像**文件夹(或您想要创建的任何输出文件夹),因为 pdfimages 不会为您创建它。
|
||
|
||
让我们编写一个 Python 脚本来执行这个命令，并确保输出文件夹也为您存在:
|
||
|
||
```py
|
||
|
||
# image_exporter.py
|
||
|
||
import os
|
||
import subprocess
|
||
|
||
def image_exporter(pdf_path, output_dir):
|
||
if not os.path.exists(output_dir):
|
||
os.makedirs(output_dir)
|
||
|
||
cmd = ['pdfimages', '-all', pdf_path,
|
||
'{}/prefix'.format(output_dir)]
|
||
subprocess.call(cmd)
|
||
print('Images extracted:')
|
||
print(os.listdir(output_dir))
|
||
|
||
if __name__ == '__main__':
|
||
pdf_path = 'reportlab-sample.pdf'
|
||
image_exporter(pdf_path, output_dir='images')
|
||
|
||
```
|
||
|
||
在这个例子中，我们导入了**子进程**和**操作系统**模块。如果输出目录不存在，我们尝试创建它。然后我们使用子进程的**调用**方法来执行 pdfimages。我们使用**调用**，因为它将等待 pdfimages 完成运行。你可以使用 **Popen** 来代替，但是那将基本上在后台运行这个过程。最后，我们打印出输出目录的列表，以确认图像被提取到其中。
|
||
|
||
互联网上还有其他一些文章引用了一个名为 **Wand** 的库，您可能也想试试。它是一个 ImageMagick 包装器。同样值得注意的是，有一个名为 **pypoppler** 的 Python 绑定到 Poppler，尽管我找不到该包进行图像提取的任何示例。
|
||
|
||
* * *
|
||
|
||
### 包扎
|
||
|
||
我们在这一章中讲述了许多不同的信息。您了解了几种不同的包，我们可以使用它们从 pdf(如 PDFMiner 或 Slate)中提取文本。我们还学习了如何使用 Python 的内置库将文本导出为 XML、JSON 和 CSV。最后，我们看了从 pdf 导出图像的难题。虽然 Python 目前没有任何好的库来完成这项任务，但是您可以通过使用其他工具来解决这个问题，比如 Poppler 的 pdfimage 实用程序。
|
||
|
||
* * *
|
||
|
||
### 相关阅读
|
||
|
||
* 使用 Wand 从 python 中的[pdf 中提取图像](http://mikelynchgames.com/software-development/using-wand-to-extract-pngs-from-pdfs/)
|
||
* Ned Batchelder - [从 pdf 中提取 JPGs】](https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html)
|
||
* [用 Python 提取 PDF 元数据](https://www.blog.pythonlibrary.org/2018/04/10/extracting-pdf-metadata-and-text-with-python/)和文本
|
||
* StackOverflow: [在 python 中使用 PDFMiner 从 PDF 文件中提取文本？](https://stackoverflow.com/a/26495057/393194)** |