Python实现PDF内容抽取
|Word count:497|Reading time:2min|Post View:
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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
| 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}))
|
完整例程请见参考部分
5 参考
帮助文档 https://pymupdf.readthedocs.io/en/latest/tutorial.html
源码地址 https://github.com/pymupdf/PyMuPDF
完整例程 https://github.com/xieyan0811/pdfconv.git