Python 提取PDF文本和图片
从PDF中提取内容能帮助我们获取文件中的信息,以便进行进一步的分析和处理。此外,在遇到类似项目时,提取出来的文本或图片也能再次利用。要在Python中通过代码提取PDF文件中的文本和图片,可以使用 Spire.PDF for Python 这个第三方库。具体操作方法查阅下文。
- Python 提取PDF文本
- Python 提取PDF页面中指定矩形区域的文本
- Python 提取PDF图片
安装 Spire.PDF for Python
本文中用到的Python PDF库支持在各种 Python 程序中创建、读取、编辑、转换和保存 PDF 文档。要安装此产品,可使用以下 pip 命令。
pip install Spire.PDF
要了解详细安装教程,参考: 如何在 VS Code 中安装 Spire.PDF for Python
使用 Python 提取PDF文本
Spire.PDF for Python 提供的 PdfPageBase.ExtractText() 方法能提取一个 PDF 页面中文本。根据你的具体需求,你可以选择仅提取某页中的文本,或者遍历所有页面以提取整个PDF文件中的文本。完整Python代码如下:
from spire.pdf import * from spire.pdf.common import * # 创建PdfDocument类的实例 pdf = PdfDocument() # 加载PDF文档 pdf.LoadFromFile("大数据.pdf") # 创建一个TXT文件来保存提取的文本 extractedText = open("Output/提取文本.txt", "w", encoding="utf-8") # 遍历文档的每一页 for i in range(pdf.Pages.Count): # 获取页面 page = pdf.Pages.get_Item(i) # 从页面提取文本 text = page.ExtractText() # 将文本写入TXT文件 extractedText.write(text + "\n") extractedText.close() pdf.Close()
使用 Python 提取PDF页面中指定矩形区域的文本
如果你只需要提取某个PDF页面中指定区域的文本,你可以指定一个矩形范围然后使用 PdfPageBase.ExtractText(RectangleF rectangleF) 方法提取其中的文本内容。完整Python代码如下:
from spire.pdf import * from spire.pdf.common import * # 创建PdfDocument类的对象 pdf = PdfDocument() # 加载PDF文档 pdf.LoadFromFile("大数据.pdf") # 获取第一页 page = pdf.Pages.get_Item(0) # 从页面的指定矩形区域提取文本 text = page.ExtractText(RectangleF(0.0, 400.0, 770.0, 180.0)) # 将提取的文本保存到TXT文件中 extractedText = open("Output/PDF文本.txt", "w", encoding="utf-8") extractedText.write(text) extractedText.close() pdf.Close()
使用 Python 提取PDF图片
除了提取文本外,Spire.PDF for Python 还提供了 PdfPageBase.ExtractImages() 方法来提取PDF文件中的图片。要提取一个PDF文件中的所有图片并保存到指定路径,参考以下Python代码。
from spire.pdf import * from spire.pdf.common import * # 创建PdfDocument类的实例 pdf = PdfDocument() # 加载PDF文档 pdf.LoadFromFile("大数据.pdf") # 创建一个列表来存储图篇 images = [] # 遍历文档的每一页 for i in range(pdf.Pages.Count): # 获取页面 page = pdf.Pages.get_Item(i) # 从页面提取图片并存储在创建的列表中 for img in page.ExtractImages(): images.append(img) # 保存图像 i = 0 for image in images: i += 1 image.Save("Output/图片/图片-{0:d}.png".format(i), ImageFormat.get_Png()) pdf.Close()