20210622_26期_办公自动化_Task4_Python 操作 PDF

2023-11-09 07:59

本文主要是介绍20210622_26期_办公自动化_Task4_Python 操作 PDF,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

四、Python 操作 PDF

在这里插入图片描述

目录

  • 四、Python 操作 PDF
        • 来源
    • 0 基础
    • 1 PDF拆分
    • 2 批量合并
    • 3. 提取文字内容
    • 4. 提取表格内容
    • 5. 提取图片内容
    • 参考资料


来源

Datewhle26期__Python办公自动化 :
https://github.com/datawhalechina/team-learning-program/tree/master/OfficeAutomation
作者:牧小熊、刘雯静、张晓东、吴争光、隆军

论坛地址:
http://datawhale.club/t/topic/1574


0 基础

  • 主要包括PdfFileReader Class,PdfFileMerger,PageObject Class,PdfFileWriter这四个大类还有一个其他类

在这里插入图片描述

1.The PdfFileReader Class

  • 初始化一个 PdfFileReader 对象A,此操作可能需要一些时间,因为 PDF 流的交叉引用表被读入内存。
  • PdfFileReader常用函数:
相关属性以及函数描述备注
decrypt(password)可以对加密的文档进行解密操作
documentInfo通过getDocumentInfo()函数功能访问的只读属性
getDestinationPageNumber(destination)检索目标对象的页数若错误则返回-1
getDocumentInfo()检索PDF文件的字典信息是否存在存在会返回相关信息,不存在则会返回None部分PDF文件使用的是元数据流
getFields(tree=None, retval=None, fileobj=None)如果此 PDF文档中包含交互式表单字段,则提取字段数据返回类型是字典或者None
getFormTextFields()从文档中检索带有文本数据(输入,下拉列表)的表单域
getNamedDestinations(tree=None, retval=None)检索文档中的特定的目标返回字典类型
namedDestinations通过getNamedDestinations()函数的只读属性
getNumPages()计算此PDF的页数
numPages通过getNumPages()函数的只读属性
getOutlines(node = None,outlines = None )检索文档中存在的文档大纲
outlines通过getOutlines()函数的只读属性
getPage(pageNumber )按编号检索页面就是找到某页内容
getPageLayout()获取页面布局返回类型为字符串
pageLayout通过getPageLayout()的只读属性
getPageMode()获取页面模式返回类型为字符串
pageMode通过getPageMode的只读属性
getPageNumber(页面)检索给定页面的页码
getXmpMetadata()从PDF文档根目录检索XMP(可扩展元数据平台)数据
xmpMetadata通过getXmpMetadata()的只读属性
isEncrypted显示此文档是否被加密的属性如果为True调用decrypt()解密之后属性依旧为True
  1. The PdfFileMerger Class:
  • 初始化一个PdfFileMerger对象B,其可以将多个pdf合并成 一个,可以串联、切片或者插入
  • PdfFileMerger常用函数
相关函数描述
addBookmark(title, pagenum, parent=None)将书签添加到这个pdf里面
addMetadata(infos)将自定义元数据添加到输出中
addNamedDestination(title, pagenum)将目标添加到输出。
append(fileobj, bookmark=None, pages=None, import_bookmarks=True)与merge()方法相同,但是假定您要将所有页面连接到文件末尾,而不是指定位置
close()关闭所有文件描述符(输入和输出)并清除所有内存使用情况
merge(position, fileobj, bookmark=None, pages=None, import_bookmarks=True)以指定的页码将页面从给定文件合并到输出文件中
setPageLayout(layout)设置页面布局
setPageMode(mode)设置页面模式
write(fileobj)将已合并的所有数据写入给定的输出文件
  1. The PdfFileObject Class:

此类表示PDF文件中的单个页面。通常,将通过访问类的getPage()方法 来创建此对象 PdfFileReader,但是也可以使用createBlankPage()静态方法来创建一个空页面

C = PyPDF2.pdf.PageObject(pdf=None, indirectRef=None)

其中参数
pdf:页面所属的PDF文件
indirectRef:在该对象的源PDF中存储对该对象的原始间接引用(通俗来讲就是)

相关属性以及函数描述备注
mergeRotatedTranslatedPage(page2, rotation, tx, ty, expand=False)类似于mergePage,但是要合并的流通过应用转换矩阵进行缩放
mergeScaledPage(page2, scale, expand=False)类似于mergePage,但是要合并的流通过应用转换矩阵进行转换和缩放
rotateClockwise(angle)顺时针旋转页面90度
rotateCounterClockwise(angle)逆时针旋转页面90度
scale(sx, sy)通过将变换矩阵应用于其内容并更新页面大小,以给定的因子缩放页面
  1. The PdfFileWriter Class

此类支持将PDF文件写出,给定由另一类产生的页面(通常为PdfFileReader)
常见函数:

相关属性以及函数描述备注
addAttachment(fname, fdata)将文件嵌入PDF
addBlankPage(width=None, height=None)将一个空白页添加到PDF文件里 具体页数没有确定的话,添加到最后一页
getNumPages()获取页数返回值为整数
getPage(pageNumber)从此PDF文件中按编号检索页面 返回类型为Pageobject
getPageLayout()获取页面布局
getPageMode()获取页面模式
insertBlankPage(width=None, height=None, index=0)插入空白页到PDF文件 未指定则默认最后一页
insertPage(page, index=0)插入一页内容到PDF文件
setPageLayout(layout)设置页面布局
setPageMode(mode)设置页面模式
updatePageFormFieldValues(page, fields)从字段字典更新给定页面的表单字段值。将字段文本和值从字段复制到页面
write(stream)将添加到该对象的页面集合写为PDF文件

1 PDF拆分


#拆分pdf
import os
from PyPDF2 import PdfFileReader 
from PyPDF2 import PdfFileWriter
def split_pdf(filename, filepath, save_dirpath, step=5):"""拆分PDF为多个小的PDF文件,@param filename:文件名@param filepath:文件路径@param save_dirpath:保存小的PDF的文件路径@param step: 每step间隔的页面生成一个文件,例如step=5,表示0-4页、5-9页...为一个文件@return:"""if not os.path.exists(save_dirpath):os.mkdir(save_dirpath)pdf_reader = PdfFileReader(filepath)# 读取每一页的数据pages = pdf_reader.getNumPages()for page in range(0, pages, step):pdf_writer = PdfFileWriter()# 拆分pdf,每 step 页的拆分为一个文件for index in range(page, page+step):if index < pages:pdf_writer.addPage(pdf_reader.getPage(index))# 保存拆分后的小文件save_path = os.path.join(save_dirpath, filename+str(int(page/step)+1)+'.pdf')print(save_path)with open(save_path, "wb") as out:pdf_writer.write(out)print("文件已成功拆分,保存路径为:"+save_dirpath)
path = "C:/Users/GJX/Desktop/OfficeAutomation/"
split_pdf("易方达中小盘混合型证券投资基金2020年中期报告.pdf",path+"易方达中小盘混合型证券投资基金2020年中期报告.pdf",path, step=5)

在这里插入图片描述

  • 小坑:
    (1) 文件路径后需要加文件名., 要不然报权限的错误

在这里插入图片描述

(2) 运行报错'latin-1' codec can't encode characters in position 8-9: ordinal not in range(256)


在这里插入图片描述
解决方法: 修改utils.py文件

r = s.encode('latin-1')
if len(s) < 2:
bc[s] = r
return r

改为:
在这里插入图片描述
(3) 修改utils.py文件运行报错

tab和空格混用:
在这里插入图片描述
在这里插入图片描述

2 批量合并

def concat_pdf(filename, read_dirpath, save_filepath):"""合并多个PDF文件@param filename:文件名@param read_dirpath:要合并的PDF目录@param save_filepath:合并后的PDF文件路径@return:"""pdf_writer = PdfFileWriter()# 对文件名进行排序list_filename = os.listdir(read_dirpath)list_filename.sort(key=lambda x: int(x[:-4].replace(filename, "")))for filename in list_filename:print(filename)filepath = os.path.join(read_dirpath, filename)# 读取文件并获取文件的页数pdf_reader = PdfFileReader(filepath)pages = pdf_reader.getNumPages()# 逐页添加for page in range(pages):pdf_writer.addPage(pdf_reader.getPage(page))# 保存合并后的文件with open(save_filepath, "wb") as out:pdf_writer.write(out)print("文件已成功合并,保存路径为:"+save_filepath)

3. 提取文字内容

涉及到具体的 PDF 内容 操作,本小节需要用到 pdfplumber 这个库

在进行文字提取的时候,主要用到 extract_text 这个函数

具体代码如下:

def extract_text_info(filepath):"""提取PDF中的文字@param filepath:文件路径@return:"""with pdfplumber.open(filepath) as pdf:# 获取第2页数据page = pdf.pages[1]print(page.extract_text())

可以看到,直接通过下标即可定位到相应的页码,从而通过 extract_text 函数提取该也的所有文字

而如果想要提取所有页的文字,只需要改成:

with pdfplumber.open(filepath) as pdf:# 获取全部数据for page in pdf.pagesprint(page.extract_text())

例如,提取“易方达中小盘混合型证券投资基金2020年中期报告” 第一页的内容时,源文件是这样的:

运行代码后提取出来是这样的:

4. 提取表格内容

同样的,本节是对具体内容的操作,所以也需要用到 pdfplumber 这个库

和提取文字十分类似的是,提取表格内容只是将 extract_text 函数换成了 extract_table 函数

对应的代码如下:

def extract_table_info(filepath):"""提取PDF中的图表数据@param filepath:@return:"""with pdfplumber.open(filepath) as pdf:# 获取第18页数据page = pdf.pages[17]# 如果一页有一个表格,设置表格的第一行为表头,其余为数据table_info = page.extract_table()df_table = pd.DataFrame(table_info[1:], columns=table_info[0])df_table.to_csv('dmeo.csv', index=False, encoding='gbk')

上面代码可以获取到第 18 页的第一个表格内容,并且将其保存为 csv 文件存在本地

但是,如果说第 18 页有多个表格内容呢?

因为读取的表格会被存成二维数组,而多个二维数组就组成一个三维数组

遍历这个三位数组,就可以得到该页的每一个表格数据,对应的将 extract_table 函数 改成 extract_tables 即可

具体代码如下:

# 如果一页有多个表格,对应的数据是一个三维数组
tables_info = page.extract_tables()
for index in range(len(tables_info)):# 设置表格的第一行为表头,其余为数据df_table = pd.DataFrame(tables_info[index][1:], columns=tables_info[index][0])print(df_table)# df_table.to_csv('dmeo.csv', index=False, encoding='gbk')

以“易方达中小盘混合型证券投资基金2020年中期报告” 第 xx 页的第一个表格为例:

源文件中的表格是这样的:

提取并存入 excel 之后的表格是这样的:

5. 提取图片内容

提取 PDF 中的图片和将 PDF 转存为图片是不一样的(下一小节),需要区分开。

提取图片:顾名思义,就是将内容中的图片都提取出来;转存为图片:则是将每一页的 PDF 内容存成一页一页的图片,下一小节会详细说明

转存为图片中,需要用到一个模块叫 fitz,fitz 的最新版 1.18.13,非最新版的在部分函数名称上存在差异,代码中会标记出来

使用 fitz 需要先安装 PyMuPDF 模块,安装方式如下:

pip install PyMuPDF

提取图片的整体逻辑如下:

  • 使用 fitz 打开文档,获取文档详细数据
  • 遍历每一个元素,通过正则找到图片的索引位置
  • 使用 Pixmap 将索引对应的元素生成图片
  • 通过 size 函数过滤较小的图片

实现的具体代码如下:

if not os.path.exists(pic_dirpath):os.makedirs(pic_dirpath)
# 使用正则表达式来查找图片
check_XObject = r"/Type(?= */XObject)"
check_Image = r"/Subtype(?= */Image)"
img_count = 0"""1. 打开pdf,打印相关信息"""
pdf_info = fitz.open(filepath)
# 1.16.8版本用法 xref_len = doc._getXrefLength()
# 最新版本写法
xref_len = pdf_info.xref_length()
# 打印PDF的信息
print("文件名:{}, 页数: {}, 对象: {}".format(filepath, len(pdf_info), xref_len-1))"""2. 遍历PDF中的对象,遇到是图像才进行下一步,不然就continue"""
for index in range(1, xref_len):# 1.16.8版本用法 text = doc._getXrefString(index)# 最新版本text = pdf_info.xref_object(index)is_XObject = re.search(check_XObject, text)is_Image = re.search(check_Image, text)# 如果不是对象也不是图片,则不操作if is_XObject or is_Image:img_count += 1# 根据索引生成图像pix = fitz.Pixmap(pdf_info, index)pic_filepath = os.path.join(pic_dirpath, 'img_' + str(img_count) + '.png')"""pix.size 可以反映像素多少,简单的色素块该值较低,可以通过设置一个阈值过滤。以阈值 10000 为例过滤"""# if pix.size < 10000:#     continue"""三、 将图像存为png格式"""if pix.n >= 5:# 先转换CMYKpix = fitz.Pixmap(fitz.csRGB, pix)# 存为PNGpix.writePNG(pic_filepath)

以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例,代码运行后提取的图片如下:

这个结果和文档中的共 1 张图片的 结果符合

参考资料

  1. https://pythonhosted.org/PyPDF2/官方文档
  2. https://blog.csdn.net/qq_44885233/article/details/113568903PyPDF2–如何使用python操作你的PDF文档

这篇关于20210622_26期_办公自动化_Task4_Python 操作 PDF的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/374907

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

详解C#如何提取PDF文档中的图片

《详解C#如何提取PDF文档中的图片》提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使用,下面我们就来看看如何使用C#通过代码从PDF文档中提取图片吧... 当 PDF 文件中包含有价值的图片,如艺术画作、设计素材、报告图表等,提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优