【数据提取】 Python 提取PDF中的文字和图片

布满荆棘的人生 2024-03-27 18:43 185阅读 0赞

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**使用Python从PDF文件中提取文本和图片**，可以借助**[Spire.PDF for Python][]** 这个第三方库。具体操作方法查阅下文。

**目录**

安装 Spire.PDF for Python

使用 Python 提取PDF文本

使用 Python 提取PDF页面中指定矩形区域的文本

使用 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，使用以下 pip 命令。

pip install Spire.PDF

详细安装教程点击： [如何在 VS Code 中安装 Spire.PDF for Python][VS Code _ 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()

提取结果：

![3639fe427cc248faa65d27a06d583f21.png][]

#### 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()

提取结果：

![c11cec32c4974c6d8cb951b4cd91202f.png][]

#### 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()

提取结果：

![e451790a1bba4ba0a102087cf6c390bc.jpeg][]

通过Spire.PDF for Python库提供的以上示例，就能轻松实现PDF文件内容的提取。如果对该Python库感兴趣，可点击了解更多功能：[Spire.PDF for Python 中文教程][Spire.PDF for Python 1]

[Spire.PDF for Python]: https://www.e-iceblue.cn/Introduce/Spire-PDF-Python.html
[VS Code _ Spire.PDF for Python]: https://www.e-iceblue.cn/pdf_python_other/how-to-install-spire-pdf-for-python-in-vs-code.html
[3639fe427cc248faa65d27a06d583f21.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/410b77112b3940ff9df2cc92d8721987.png
[c11cec32c4974c6d8cb951b4cd91202f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/461dfdfcc9b648168f41f69e35d48e1c.png
[e451790a1bba4ba0a102087cf6c390bc.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/af0d0e6edbc04d969c31265b42f77116.png
[Spire.PDF for Python 1]: https://www.e-iceblue.cn/pdfforpython/spire-pdf-for-python-program-guide-content.html