实用脚本！Python 提取 PDF 指定内容生成新文件！

　　实用脚本！Python 提取 PDF 指定内容生成新文件！

　　很多时候，我们并不会预知希望提取的页号，而是希望将包含指定内容的页面提取合并为新PDF，本文就以两个真实需求为例进行讲解。

　　01

　　需求描述

　　数据是一份有286页的上市公司公开年报PDF，大致如下

　　

　　现在需要利用 Python 完成以下两个需求

　　“

　　需求一：提取所有包含 战略 二字的页面并合并新PDF

　　需求二：提取所有包含图片的页面，并分别保存为 PDF 文件

　　”

　　02

　　前置知识和逻辑梳理

　　2.1 PyPDF2 模块实现合并

　　PyPDF2 导入模块的代码常常是：

　　from PyPDF2 import PdfFileReader, PdfFileWriter<br />

　　这里导入了两个方法：

　　PdfFileReader 可以理解为读取器PdfFileWriter 可以理解为写入器

　　利用 PyPDF2 实现合并运用的一下逻辑：

　　读取器将所有pdf读取一遍读取器将读取的内容交给写入器写入器统一输出到一个新pdf

　　隐含知识点：读取器只能将读取的内容一页一页交给写入器

　　2.2 获取与添加页面

　　之前我们的推文中提到这两个代码，下面列出作为复习：

　　.getPage 获取特定页.addPage 添加特定页2.3 图片和文字的处理

　　要实现本文的需求还要做到很重要的一个判断：确定页面中有无包含的文字或图片

　　判断是否包含特定的文字比较简单，遍历每一页的时候都将包含的文本抽提出，做字符串层面的判断即可，代码思路：

　　利用 pdfplumber 打开PDF 文件获取指定的页，或者遍历每一页利用 .extract_text() 方法提取当前页的文字判断 “战略” 是否在提取的文字中

　　判断是否包含图片，思路和上面是类似的，但方法不同。图片考虑用正则的方法识别，用 fitz 和 re 配合，具体见下文代码

　　03

　　代码实现

　　3.1 需求一的实现

　　首先来完成需求一的任务，导入需要用到的库：读取写入PDF文件的 PyPDF2 以及抽提文本的 pdfplumber

　　from PyPDF2 import PdfFileReader, PdfFileWriter<br />import pdfplumber<br />

　　指定文件所在的路径，同时初始化写入器，将文件交给读取器：

　　path = r'C:\xxxxxx'<br />pdf_writer = PdfFileWriter()<br />pdf_reader = PdfFileReader(path + r'\公司年报.PDF')<br />

　　以上下文管理器形式通过 pdfplumber 打开文件，同时用 .getNumPages 获取读取器的最大页利于遍历每一页来抽提文字：

　　with pdfplumber.open(path + r'\公司年报.PDF') as pdf:<br />    for i in range(pdf_reader.getNumPages()):<br />        page = pdf.pages[i]<br />        print(page.extract_text())<br />

　　我们抽提文字的目的是用来判断，将符合要求的页码作为读取器 .getPage 的参数，最后用 .addPage 交给写入器：

　　with pdfplumber.open(path + r'\公司年报.PDF') as pdf:<br />    for i in range(pdf_reader.getNumPages()):<br />        page = pdf.pages[i]<br />        print(page.extract_text())<br />        if '战略' in page.extract_text():<br />            pdf_writer.addPage(pdf_reader.getPage(i))<br />            print(i + 1, page.extract_text())<br />

　　完成识别后让写入器输出为需要的文件名：

　　with open(path + r'\new_公司年报.pdf', 'wb') as out:<br />    pdf_writer.write(out)<br />

　　至此，我们就完成了包含特定文字内容页面的提取，并整合成一个PDF。所有的页面均包含“战略”二字：

　　

　　

　　需求一完整代码如下，感兴趣的读者可以自行研究

　　from PyPDF2 import PdfFileReader, PdfFileWriter<br />import pdfplumber<br /><br />path = r'C:\xxx'<br />pdf_writer = PdfFileWriter()<br />pdf_reader = PdfFileReader(path + r'\公司年报.PDF')<br /><br />with pdfplumber.open(path + r'\公司年报.PDF') as pdf:<br />    for i in range(pdf_reader.getNumPages()):<br />        page = pdf.pages[i]<br />        print(page.extract_text())<br />        if '战略' in page.extract_text():<br />            pdf_writer.addPage(pdf_reader.getPage(i))<br />            print(i + 1, page.extract_text())<br /><br />with open(path + r'\new_公司年报1.pdf', 'wb') as out:<br />    pdf_writer.write(out)<br />

　　3.2 需求二的实现

　　接下来完成需求二的任务。首先导入需要的库：

　　from PyPDF2 import PdfFileReader, PdfFileWriter<br />import fitz<br />import re<br />import os<br />

　　指定文件所在的路径：

　　path = r'C:\xxxxxx'<br />

　　正则识别图片的部分不细讲，之前的推文已经介绍过，我们直接看代码：

　　page_lst = []<br />checkImg = r"/Subtype(?= */Image)"<br />pdf = fitz.open(path + r'\公司年报.PDF')<br />lenXREF = pdf._getXrefLength()<br /><br />for i in range(lenXREF):<br />    text = pdf._getXrefString(i)<br />    isImage = re.search(checkImg, text)<br />    if isImage:<br />        page_lst.append(i)<br /><br />print(page_lst)<br />

　　

　　获取到所有包含图片的页面后，再结合读取器和写入器的配合就能完成新 PDF 的产生。注意本需求是所有图片单独输出，因此获取到页面后交给写入器直接输出成文件：

　　pdf_reader = PdfFileReader(path + r'\公司年报.PDF')<br />for page in page_lst:<br />    pdf_writer = PdfFileWriter()<br />    pdf_writer.addPage(pdf_reader.getPage(page))<br />    with open(path + r'\公司年报_{}.pdf'.format(page + 1), 'wb') as out:<br />        pdf_writer.write(out)<br />

　　至此也完成了第二个需求。需要说明的是目前没有非常完美提取PDF图片的方法，本案例介绍的方法识别图片也并不稳定。读者可以利用自己的数据多做尝试。完整代码如下：

　　from PyPDF2 import PdfFileReader, PdfFileWriter<br />import fitz<br />import re<br />import os<br /><br />path = r'C:\xxx'<br /><br />page_lst = []<br />checkImg = r"/Subtype(?= */Image)"<br />pdf = fitz.open(path + r'\公司年报.PDF')<br />lenXREF = pdf._getXrefLength()<br />for i in range(lenXREF):<br />    text = pdf._getXrefString(i)<br />    isImage = re.search(checkImg, text)<br />    if isImage:<br />        page_lst.append(i)<br /><br />print(page_lst)<br /><br />pdf_reader = PdfFileReader(path + r'\公司年报.PDF')<br />for page in page_lst:<br />    pdf_writer = PdfFileWriter()<br />    pdf_writer.addPage(pdf_reader.getPage(page))<br />    with open(path + r'\公司年报_{}.pdf'.format(page + 1), 'wb') as out:<br />        pdf_writer.write(out)<br />

　　实现这两个单个需求后，就可以将相关代码封装并结合os等模块实现批量操作，解放双手。

　　近期阅读学习推荐：

　　如何找到我：

　　

　　

<p data-mid="" style="outline: 0px;max-width: 100%;font-size: 14px;font-family: PingFangSC-Medium, "PingFang SC";font-weight: bold;color: rgb(183, 78, 67);line-height: 20px;box-sizing: border-box !important;overflow-wrap: break-word !important;">分享

　　收藏

　　点赞

　　在看</p>