Python操作PDF-文字和圖片提取（使用PyPDF2和PyMuPDF）
阿新 • • 發佈：2020-12-25
### PDF檔案格式
如今，可移植文件格式（PDF）屬於最常用的資料格式。在1990年，PDF文件的結構由Adobe定義。PDF格式的思想是，對於通訊過程中涉及的雙方（建立者，作者或傳送者以及接收者）而言，傳輸的資料/文件看起來完全相同。
### 工具和庫
適用於Python的PDF工具，模組和庫的可用解決方案範圍有些混亂，需要花一點時間弄清楚什麼是什麼，以及哪些專案需要連續維護。根據我們的研究，以下是最新的候選人：
* [PyPDF2](https://pypi.org/project/PyPDF2/)：一個Python庫，用於提取文件資訊和內容，逐頁拆分文件，合併文件，裁剪頁面並新增水印。PyPDF2支援未加密和加密的文件。
* [PDFMiner](https://euske.github.io/pdfminer/index.html)：完全用Python編寫，適用於Python 2.4。對於Python 3，請使用克隆的包[PDFMiner.six](https://github.com/pdfminer/pdfminer.six)。這兩個軟體包都允許您解析，分析和轉換PDF文件。這包括對PDF 1.7以及CJK語言（中文，日文和韓文）的支援，以及各種字型型別（Type1，TrueType，Type3和CID）。
* [pdflib](https://github.com/alephdata/pdflib) for Python：[Poppler](https://poppler.freedesktop.org/)庫的擴充套件，為它提供了Python繫結。它使您可以解析，分析和轉換PDF文件。不要將其與具有相同名稱的[商業吊墜](https://www.pdflib.com/)相混淆。
* [PyFPDF](https://pyfpdf.readthedocs.io/en/latest/)：一個在Python下生成PDF文件的庫。從[FPDF](http://www.fpdf.org/) PHP庫移植而來，這是著名的PDFlib擴充套件替換，其中包含許多示例，指令碼和派生類。
* [PDFTables](https://pdftables.com/)：一項商業服務，提供從PDF文件附帶的表格中提取的內容。提供一個API，以便PDFTables可以用作SAAS。
* [PyX](http://pyx.sourceforge.net/index.html) -Python圖形包：PyX是用於建立PostScript，PDF和SVG檔案的Python包。它結合了PostScript繪圖模型的抽象和TeX / LaTeX介面。這些基元可以構建複雜的任務，例如以可釋出的質量建立2D和3D繪圖。
* [ReportLab](https://www.reportlab.com/)：一個雄心勃勃的，具有行業實力的圖書館，主要致力於精確建立PDF文件。免費提供開放原始碼版本和名為ReportLab PLUS的商業增強版本。
* [PyMuPDF](https://github.com/pymupdf/PyMuPDF)（又稱“ fitz”）：MuPDF的Python繫結，這是一種輕量級的PDF和XPS檢視器。該庫可以訪問PDF，XPS，OpenXPS，epub，漫畫和小說書格式的檔案，並且以其最佳效能和高渲染質量而聞名。
* [pdfrw](https://pypi.org/project/pdfrw/)：一個基於Python的純PDF解析器，用於讀寫PDF。它忠實地再現向量格式而無需光柵化。與ReportLab結合使用時，它有助於在使用ReportLab建立的新PDF中重用現有PDF的一部分。
| 圖書館 | 用於 |
| --- | --- |
| PyPDF2 | 讀 |
| PyMuPDF |讀 |
| pdflib | 讀 |
| PDF表格 | 讀 |
| PDFMiner.six | 讀 |
| PDF查詢 | 讀 |
| pdfrw | 讀，寫/創作 |
| PyFPDF | 寫/創作 |
我們將重點介紹PyPDF2和PyMuPDF，並說明如何以最簡單的方式提取文字和影象。為了瞭解PyPDF2的用法，官方文件和許多其他資源提供的示例的組合對您有所幫助。相比之下，官方PyMuPDF文件更加清晰，並且使用該庫的速度也大大加快。
### 使用PyPDF2提取文字
```
$ pip3 install PyPDF2
```
*清單1首先*匯入了`PdfFileReader`該類。接下來，使用該類開啟文件，並使用`getDocumentInfo()`方法提取文件資訊，使用提取頁數`getDocumentInfo()`以及第一頁的內容。
請注意，PyPDF2從0開始計數頁面，這就是該呼叫`pdf.getPage(0)`檢索文件第一頁的原因。最終，提取的資訊被列印到`stdout`。
*清單1：提取文件資訊和內容。*
```
#!/usr/bin/python
from PyPDF2 import PdfFileReader
pdf_document = "example.pdf"
with open(pdf_document, "rb") as filehandle:
pdf = PdfFileReader(filehandle)
info = pdf.getDocumentInfo()
pages = pdf.getNumPages()
print (info)
print ("number of pages: %i" % pages)
page1 = pdf.getPage(0)
print(page1)
print(page1.extractText())
```
如上面的*圖1*所示，提取的文字是連續列印的。沒有段落或句子分隔。如PyPDF2文件中所述，所有文字資料都按照在頁面內容流中提供的順序返回，並且依靠它可能會導致一些意外。這主要取決於PDF文件的內部結構，以及PDF編寫器過程如何生成PDF指令流。
### 使用PyMuPDF提取文字
可從PyPi網站上獲取PyMuPDF，並在終端中使用以下命令安裝軟體包：
```
$ pip3 install PyMuPDF
```
顯示文件資訊，列印頁數以及提取PDF文件的文字的方式與PyPDF2相似（請參見*清單2*）。要匯入的模組名為`fitz`，並返回到PyMuPDF的先前名稱。
*清單2：使用PyMuPDF從PDF文件中提取內容。*
```
#!/usr/bin/python
import fitz
pdf_document = "example.pdf"
doc = fitz.open(pdf_document)
print ("number of pages: %i" % doc.pageCount)
print(doc.metadata)
page1 = doc.loadPage(0)
page1text = page1.getText("text")
print(page1text)
```
PyMuPDF的優點是可以保持原始文件結構完整-帶有換行符的整個段落都保留在PDF文件中（參見*圖2*）。
### 使用PyMuPDF從PDF提取影象
PyMuPDF使用該方法簡化了從PDF文件提取影象的過程`getPageImageList()`。*清單3*基於PyMuPDF Wiki頁面上的示例，並逐頁地將PDF中的所有影象提取並儲存為PNG檔案。如果影象具有CMYK色彩空間，則將首先將其轉換為RGB。
*清單3：提取影象*
```
#!/usr/bin/python
import fitz
pdf_document = fitz.open("file.pdf")
for current_page in range(len(pdf_document)):
for image in pdf_document.getPageImageList(current_page):
xref = image[0]
pix = fitz.Pixmap(pdf_document, xref)
if pix.n < 5: # this is GRAY or RGB
pix.writePNG("page%s-%s.png" % (current_page, xref))
else: # CMYK: convert to RGB first
pix1 = fitz.Pixmap(fitz.csRGB, pix)
pix1.writePNG("page%s-%s.png" % (current_page, xref))
pix1 = None
pix = None
```
在400頁PDF上執行此Python指令碼，它在不到3秒的時間內提取了117張影象，這真是了不起。單個影象以PNG格式儲存。為了保持原始影象的格式和大小，而不是轉換為PNG，請檢視[PyMuPDF Wiki中](https://github.com/pymupdf/PyMuPDF/wiki)指令碼的擴充套件版本。
### 使用PyPDF2將PDF拆分為頁面
對於此示例，首先需要同時匯入`PdfFileReader`和和`PdfFileWriter`類。然後，我們開啟PDF檔案，建立一個閱讀器物件，並使用閱讀器物件的`getNumPages`方法遍歷所有頁面。
在`for`迴圈內部，我們建立的新例項`PdfFileWriter`，該例項尚不包含任何頁面。然後，使用`pdfWriter.addPage()`方法將當前頁面新增到我們的writer物件。此方法接受一個頁面物件，我們使用該`PdfFileReader.getPage()`方法獲取該物件。
下一步是建立一個唯一的檔名，我們使用原始檔名加上單詞“ page”以及頁碼來完成。我們在當前頁碼上加1，因為PyPDF2會計算從零開始的頁碼。
最後，我們以“寫二進位制”模式（mode `wb`）開啟新檔名，並使用該類的`write()`方法`pdfWriter`將提取的頁面儲存到磁碟。
*清單4：將PDF拆分為單個頁面。*
```
#!/usr/bin/python
from PyPDF2 import PdfFileReader, PdfFileWriter
pdf_document = "example.pdf"
pdf = PdfFileReader(pdf_document)
for page in range(pdf.getNumPages()):
pdf_writer = PdfFileWriter()
current_page = pdf.getPage(page)
pdf_writer.addPage(current_page)
outputFilename = "example-page-{}.pdf".format(page + 1)
with open(outputFilename, "wb") as out:
pdf_writer.write(out)
print("created", outputFilename)
```
### 查詢所有包含文字的頁面
這個用例非常實用，並且工作方式類似於`pdfgrep`。該指令碼使用PyMuPDF返回包含給定搜尋字串的所有頁碼。頁面一頁接一頁地載入，藉助該`searchFor()`方法，將檢測到搜尋字串的所有出現情況。如果匹配則在上面印有相應的資訊`stdout`。
*清單5：搜尋給定的文字。*
```
#!/usr/bin/python
import fitz
filename = "example.pdf"
search_term = "invoice"
pdf_document = fitz.open(filename):
for current_page in range(len(pdf_document)):
page = pdf_document.loadPage(current_page)
if page.searchFor(search_term):
print("%s found on page %i" % (search_term, current_page))
```
下面的*圖5*顯示了一本400頁的書中“ Debian GNU / Linux”一詞的搜尋結果。
### 結論
此處顯示的處理PDF方法非常強大。使用相對較少的程式碼行數，很容易獲得