python 生成pdf 文字和图片_Python系列

PDF是人们日常使用最多的跨平台文档。其是一种用独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。每个PDF文件包含固定布局的平面文档的完整描述，包括文本、字形、图形及其他需要显示的信息。具有良好的跨平台特性，但同时，也为抽取其内容带来了不便。

PDF最初版本于1993发行，最新版本为2.0。

今天，我们使得Python来抽取PDF文档中的文本与图片。

文本抽取

PDF文本抽取相对容易，效果最好的是pdfminer(https://github.com/euske/pdfminer)。基本能抽取出所有文本。

pdfminer是开源的纯Python编写，支持最新至PDF 1.7版本。

pdfminer的使用比较简单

安装：

pip install pdfminer

使用：

python pdf2txt.py -o -t text -O

如上就实现了文本抽取，抽取的是纯文本，无格式、字体等信息。

原文

抽取出的文本

pdfminer有个麻烦的地方，对于CJK编码的PDF文档，需要手动安装也能正常抽取文字。

图片抽取

PDF图片抽取是个比较难的问题，目前Python可以调用的比较好的库是PyMuPDF(https://github.com/pymupdf/PyMuPDF)。PyPDF2(https://github.com/mstamy2/PyPDF2)库也可以实现部分功能，但已于2018年停止更新。

这些库的问题是，无法抽取出所有的图片，同时，抽取出的图片问题不一。

使用PyMuPDF 代码如下：

import fitz # PyMuPDF

def get_pixmaps_in_pdf(pdf_filename):

doc = fitz.open(pdf_filename)

xrefs = set()

for page_index in range(doc.pageCount):

for image in doc.getPageImageList(page_index):

xrefs.add(image[0]) # Add XREFs to set so duplicates are ignored

pixmaps = [fitz.Pixmap(doc, xref) for xref in xrefs]

doc.close()

return pixmaps

def write_pixmaps_to_pngs(pixmaps):

for i, pixmap in enumerate(pixmaps):

pixmap.writePNG(f'{i}.png') # Might want to come up with a better name

pixmaps = get_pixmaps_in_pdf('Wang_et_al_2017_Tacotron.pdf')

write_pixmaps_to_pngs(pixmaps)

抽取效果如下。整篇PDF文档，只抽取出如下的几个图片。

比如，第二页的图片就无法抽取出来。

理想状态下，第6页的图片与示例应该合并一成一张图抽取出来，但实际上是分开抽取。

好的。Python抽取PDF文字与图片的介绍就到这里。

大家有更好的图片抽取工具或方法，欢迎留言贡献，

python 生成pdf 文字和图片_Python系列—PDF文本与图片抽取相关推荐

通过python建立一个web服务查看服务器上的文本、图片、视频等文件
通过python建立一个web服务查看服务器上的文本.图片.视频等文件文章目录: 1 在服务器端开启一个服务 2 在本地浏览器中输入服务器的ip地址 1 在服务器端开启一个服务 python -m ...
python提取pdf中的文字和图片_Python操作PDF-文本和图片提取（使用PyPDF2和PyMuPDF）...
PDF文件格式如今,可移植文档格式(PDF)属于最常用的数据格式.在1990年,PDF文档的结构由Adobe定义.PDF格式的思想是,对于通信过程中涉及的双方(创建者,作者或发送者以及接收者)而言, ...
python 批量下载网页图片_Python实现多线程批量下载图片
<派森>(Python)3.13 win32 英文安装版类型:编程工具大小:21M语言:英文评分:8.7 标签: 立即下载爬取图片可真的是一个可遇不可求的机会. 有需求就会动力. 目 ...
如何使用python批量压缩图片_python利用Guetzli批量压缩图片
Google 又开源了,这次开源了一款图像算法工具 Guetzli.Guetzli,在瑞士德语中是"cookie(曲奇)"的意思,是一个针对数码图像和网页图像的 JPEG 编码器, ...
python生成10个随机数字符串_python生成随机数、随机字符串
python生成随机数.随机字符串 import random import string # 随机整数: print random.randint(1,50) # 随机选取0到100间的偶数: pr ...
python处理pdf文件的程序_Python处理PDF文档-拆分合并
使用Python处理PDF文档.将需要处理的PDF文档与处理程序放到一个新建的文件夹中.运行程序. S模式,将单个PDF文档拆分到单页,并以数字命名. image.png C模式,合并文档,需要提前将 ...
Python 生成圣诞树 Santa Tree Generator 不务正业系列#1
Python - Santa Tree Generator 环境介绍实现方法一思路 print 相关设置格式分解示例相关设置值代码方法二环境 OS: Windows 10 专业版 ...
pdf文字大小及颜色用pdf修改软件怎么修改
在pdf文档中怎么修改文字的大小及颜色呢?相信这个问题困扰了不少朋友,那么小编今天就来为大家解答.下面请看:pdf文件怎么编辑文字大小及颜色的方法. 想要对pdf文件进行编辑,首先需要安装一个pdf编 ...
java 去掉pdf文字_Java 添加和删除PDF图层
在PDF文档中,图层可以使部分内容选择性地被隐藏或显示.通过添加图层,我们可以将文本.图片.表格等元素精确定位于页面指定位置,并可将这些元素进行叠放.组合形成页面的最终效果.本文将介绍如何使用Spir ...

python 生成pdf 文字和图片_Python系列—PDF文本与图片抽取

python 生成pdf 文字和图片_Python系列—PDF文本与图片抽取相关推荐

最新文章

热门文章