Python实现PDF内容抽取

1 Python 的 PDF 工具

PyMuPDF: 支持更多高级功能和处理复杂 PDF 文件
pdfplumber：从 PDF 中提取文本、表格或生成简单的 PDF 文档
联合使用两个库是一种常用方法

2 PyMuPDF

最近需要把扫描的 PDF 转换成文本，试用了 pdfminer，pypdf2 等工具，解析图片的效果都不太好，用起来也比较麻烦，后来试用了 PyMuPDF，相对其它工具，它最新版本屏蔽了更多细节，围绕 Page 进行操作，调用非常方便。除了 PDF 它还支持解析 epub 等电子书格式。

目前网上例程大多是只抽取图片，没有同时转换图片和文字，且因为旧版本 API，大多已无法正常运行。本文将示例其用法。

3 安装

1	$ pip install pymupdf==1.18.19

如果提取找不到 fiz.h，建议更新 pip 版本

1	$ pip3.6 install --upgrade pip

4 例程

def parse(inpath, outpath):
    remove(TMPDIR) # 清除临时目录 
    os.mkdir(TMPDIR)
    remove(outpath) # 清除输出文件

    t0 = time.clock()
    doc = fitz.open(inpath)
    lenXREF = doc.xrefLength()
    print("文件名:{}, 页数: {}, 对象: {}".format(inpath, len(doc), lenXREF - 1))

    imgcount = 0
    for i,page in enumerate(doc):
        t1 = time.clock()
        # 文字
        text = page.get_text()
        if len(text) > 0:
             write_file(outpath, text, 'a')
        # 图片        
        imglist = page.get_images() # 解析该页中图片
        for item in imglist:
            xref = item[0]
            pix = fitz.Pixmap(doc, xref)
            new_name = "{}.png".format(imgcount)
            # 如果pix.n<5,可以直接存为PNG
            path = os.path.join(TMPDIR, new_name)
            if pix.n < 5:
                pix.writePNG(path)
            # 否则先转换CMYK
            else:
                pix0 = fitz.Pixmap(fitz.csRGB, pix)
                pix0.writePNG(path)
                pix0 = None
            pix = None
            if OCR_ONLINE:
                text = img_to_str_baidu(path)
            else:
                text = img_to_str_tesseract(path)
            print("img->text", text)
            write_file(outpath, text, 'a')
            write_file(outpath, '\n' + '-----------' + '\n', 'a')
            imgcount += 1
        print("page {} 运行时间:{}s".format(i, {t1 - t0}))