python自动化pdf报告_[Python] 自动化办公 PDF提取文字、表格、图片
转载请注明:陈熹 chenx6542@foxmail.com (简书号:半为花间酒)
若公众号内转载请联系公众号:早起Python
本例可以学到的知识点:
使用 pdfplumber 提取 PDF 中的文字和表格
使用 fitz 提取 PDF 中的图片
之前我们已经详细介绍了批量 PDF 文件的处理,包括合并、拆分、水印、加密等, 批量PDF文件的处理
在文章中详细剖析了每一行的原理。这里要说明的是,针对 PDF 的模块较多,且有些模块功能并不完善,代码也没有类似 OFFICE 三件套操作那般简洁
今天学习的 PDF 图片提取亦如是。因此更多时候以理解为主,不需要完全掌握代码书写,会用会改即可
今天讲解的练习数据是一份年度报告,里面有大量的文字、表格、图片构成
一、模块安装
需要安装两个模块,第一个是 pdfplumber
在 Windows 中调出命令行:
pip install pdfplumber
第二个是 fitz, 它是 pymupdf 中的一个模块
在 Windows 中调出命令行:
pip install pymupdf
二、 PDF 文字提取
代码思路:
利用 pdfplumber 打开一个 PDF 文件
获取指定的页,或者遍历每一页
利用 .extract_text() 方法提取当前页的文字
用上述代码尝试提取示例数据中第 12 页的文字:
import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[11]
print(page.extract_text())
提取的内容可以通过导入 python-docx 并借助 wordfile.add_paragraph() 写入 Word 文件
三、PDF 表格提取
提取单个表格和提取单页文字的代码非常类似,用的是 .extract_table()
需要注意,.extract_table() 默认提取指定页面的第一个表格,如果当前页面有多个表格都需要提取,则要直接使用 .extract_tables()
例如示例文件中第 13 页有 2 个表格,我们分别利用 .extract_table() 和 .extract_tables() 观察输出情况
import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_table())
是一个嵌套列表,熟悉这种格式的人会理解想到可以用 pandas 或者遍历该嵌套列表后借助 openpyxl 的 sheet.append(list) 写入 Excel 文件中
import pdfplumber
file_path = r'C:\xxxx\practice.PDF'
with pdfplumber.open(file_path) as pdf:
page = pdf.pages[12]
print(page.extract_tables())
.extract_tables() 提取当前页所有表格会产生了一个三级嵌套列表,第一层的列表就代表每一个表格
四、PDF 图片提取
对于图片提取,现在没有任何一个模块可以做到百分之百的提取。这边只介绍基于 fitz 模块的代码,基本思路是通过正则查找图片并将其输出
import fitz
import re
import os
file_path = r'C:\xxx\practice.PDF'
dir_path = r'C:\xxx' # 存放图片的文件夹
def pdf2pic(path, pic_path):
checkXO = r"/Type(?= */XObject)"
checkIM = r"/Subtype(?= */Image)"
pdf = fitz.open(path)
lenXREF = pdf._getXrefLength()
imgcount = 0
for i in range(1, lenXREF):
text = pdf._getXrefString(i)
isXObject = re.search(checkXO, text)
isImage = re.search(checkIM, text)
if not isXObject or not isImage:
continue
imgcount += 1
pix = fitz.Pixmap(pdf, i)
new_name = f"img_{imgcount}.png"
if pix.n < 5:
pix.writePNG(os.path.join(pic_path, new_name))
else:
pix0 = fitz.Pixmap(fitz.csRGB, pix)
pix0.writePNG(os.path.join(pic_path, new_name))
pix0 = None
pix = None
pdf2pic(file_path, dir_path)
成功提取了图片,但 PDF 中的图片远不止这些。欢迎有兴趣的读者交流
python自动化pdf报告_[Python] 自动化办公 PDF提取文字、表格、图片相关推荐
- python pdf报告_python生成pdf报告、python实现html转换为pdf报告
1.先说下html转换为pdf:其实支持直接生成,有三个函数pdfkit.f 安装python包:pip Install pdfkit 系统安装wkhtmltopdf:参考 https://githu ...
- python自动化数据报告_如何:使用Python将实时数据自动化到您的网站
python自动化数据报告 This tutorial will be helpful for people who have a website that hosts live data on a ...
- python pdf报告_利用python设计PDF报告,jinja2,whtmltopdf,matplotlib,pandas
转自:https://foofish.net/python-crawler-html2pdf.html 工具准备 弄清楚了网站的基本结构后就可以开始准备爬虫所依赖的工具包了.requests.beau ...
- python报表设计工具_报表自动化,三流用Excel,二流用Python,一流用它
从事数据工作的人都知道,企业每天都要做很多报表,这个过程当中会涉及到很多手工操作和常规性报表.为了减少人工介入,节省工作时间,我们会想办法将一部分操作用工具或代码来替代,这个过程就称为报表自动化. 报 ...
- python的ppt报告_看完这篇Python操作PPT总结,从此使用Python玩转Office全家桶就没有压力了!...
一.导读 大家好,今天依旧是Python办公自动化基础系列,在之前我们分别详细讲解了 今天本文将基于第三方库pptx,详细讲解如何使用Python操作Office全家桶最后一位--PPT. 二.安装 ...
- python pdf报告_Python实现html转换为pdf报告(生成pdf报告)功能示例
本文实例讲述了Python实现html转换为pdf报告(生成pdf报告)功能.分享给大家供大家参考,具体如下: 1.先说下html转换为pdf:其实支持直接生成,有三个函数pdfkit.f 安装pyt ...
- python根据模板生成pdf文件_程序生成word与PDF文档的方法(python)
程序导出word文档的方法 将web/html内容导出为world文档,再java中有很多解决方案,比如使用Jacob.Apache POI.Java2Word.iText等各种方式,以及使用free ...
- 营销自动化权威指南_任务自动化指南
营销自动化权威指南 For an out-of-the-textbook definition, automation is basically the process of making a phy ...
- python朋友圈刷屏_“Python太火了!请救救Java!”9万程序员刷屏朋友圈 !
没想到有生之年,笔者能观察到"霸主陨落"的过程,继PLPY4月榜单官宣,Python躺赢,再度"夺"冠,实力甩下Java和C后,近期,Stack Overflo ...
最新文章
- 字符串(string类)
- python抽奖游戏大全_抽奖游戏
- D-hdu 1465 不容易系列之一(递推)
- JEECG开源团队招募成员计划
- 【elasticsearch】ClusterBlockException[blocked by: [FORBIDDEN/12/index read-only / allow delete (api)]
- Linux网络处理“零拷贝”技术mmap()内核进程间通信设计8086分页管理——摆在一起来谈谈...
- 螺旋矩阵的上下左右四指针解法
- 如何判定某个类的职责是否够“单一”?
- SVN客户端日志无法显示的解决
- 数据库操作语句类型(DQL、DML、DDL、DCL)简介
- 二阶魔方万能还原公式_魔方小站二阶魔方速拧《2阶魔方公式 视频教程》
- excel设置下拉菜单多选_如何设置多选Excel下拉菜单
- 极路由2刷机为openwrt固件
- 关于手机天气应用中的城市搜索的联想查找方式优化
- 英仕曼235年传奇之路从CTA策略鼻祖到全球最大上市对冲基金
- 路边停车系统的具体流程是什么
- START 0.296.1 中文版 (腾讯官方云游戏平台)
- java arr转化为list
- 张丽俊最新演讲:要像竹子一样扎根,你终会一飞冲天
- Python爬虫实战 爬取同城艺龙酒店信息
热门文章
- Linux文件属性3——文件权限管理
- oracle-11g-R2监听文件配置
- mysql基础14(关于mysql数据库在没有主键情况下去除重复数据办法)
- PyCharm 5 破解注册方法
- 小白学数据分析-----聚类分析理论之TwoSteps理论篇+实践篇
- C# 多线程编程 ThreadStart ParameterizedThreadStart
- string、char *、char []之间的相互转换
- 一个学妹写的按键检测函数把我秀翻了!
- Linux io内存存在的意义~
- java access jdbc_Java连接Access数据库