一、Python处理PDF
- Python处理PDF的好处
- 自动化和批量处理：使用Python，你可以自动处理大量的PDF文件，例如从扫描仪生成的文档、报告、合同等。这可以节省大量时间和努力，尤其是在需要重复性任务时。
- 文本提取：Python可以轻松地从PDF中提取文本内容，使其可搜索、可编辑和可分析。这对于文本分析、数据挖掘和文档检索等任务非常有用。
- 报告生成：你可以使用Python创建自定义的PDF报告，将数据、图表和图像等信息以专业的方式呈现。这对于生成自动化的业务报告、数据可视化和数据分析很有帮助。
- PDF编辑：Python库和工具使你能够合并、拆分、旋转、裁剪和编辑PDF文件的页面。这对于在不使用专业PDF编辑软件的情况下进行简单的文档编辑很有用。
- 图像提取：Python允许你从PDF文件中提取图像，这对于处理包含图形、图表和图片的文档非常有帮助。
- 数据提取：当PDF文件包含表格或结构化数据时，Python可以用于提取和转换这些数据，以便进一步分析或导入到数据库中。
- 自定义处理：Python提供了多种用于PDF处理的库，允许你根据项目的需求进行自定义处理。你可以选择适合你需求的库，以满足具体要求。
- 跨平台：Python是跨平台的，因此你可以在不同操作系统上运行相同的代码，而无需担心兼容性问题。
Python处理PDF文件的主要第三方库包括：
- PyPDF2：PyPDF2是一个用于处理PDF文件的库，可以用于提取文本、合并、拆分和旋转PDF文件的页面。它还支持添加页面、水印和书签等功能。
- ReportLab：ReportLab是一个用于创建PDF文件的库，允许你以编程方式构建PDF文档，包括添加文本、图像、表格等。
- PDFMiner：PDFMiner是一个用于提取文本和元数据的PDF处理库。它可以解析PDF文件并提取文本、布局信息和链接等。
- pdf2image：pdf2image是一个用于将PDF文件转换为图像的库，这对于处理包含图形的PDF文件非常有用。
- fpdf2：fpdf2是一个用于创建PDF文件的库，支持自定义字体、图像和表格等。
- PyMuPDF：PyMuPDF是一个用于处理PDF文件的库，可以用于提取文本、图像和元数据。它还支持PDF文件的渲染和转换为图像。
- Camelot：Camelot是一个用于提取表格数据的库，特别适用于从PDF文件中提取表格数据。
- Tabula-py：Tabula-py是一个用于提取表格数据的库，可将PDF中的表格转换为DataFrame对象。
- 开发环境
操作系统：使用windows, mac都可以
Python版本：系统中需要安装Python3.6以上的版本，Python2已经过期不建议使用，Python3.6以前的版本功能相对弱，最好就是采用Python3.6以上的版本
开发工具：有两个可以选择，jupyter notebook，是个网页编辑器，可以运行Python，常常用于交互性、探索性的开发；pycharm，用于成熟脚本，或者web服务的一些开发；这两个工具可以随意选择。
二、用Python将PDF文件转存为图片
技术工具：
Python版本:3.9
代码编辑器：jupyter notebook
要求批量从上市公司年报中截取公司从事的主要业务信息，以便进行后续的分析。首先我们要分析一下上市公司年报的结构，及目标信息所在位置。一般上市公司的年报都是公开的，可随意下载。其格式一般是PDF。年报内容包含的板块几乎相同，只是深圳市场与上海市场略有区别。随机挑选了10家上市公司的年报（如下图）。可见，公司业务都位于“第三节公司业务概要”，只是上海市场的年报，“第三节”后有空格。其所在页基本在8，9,10页。“第三节”里的第一个小标题，两个市场也有点不同。主要业务介绍完后，接下来都是介绍“主要资产重大变化情况”，这部分及以后的内容都不是我们想要的。因此，打算确定关键词“公司业务概要”及“重大变化情况”，作为文字截取的起始关键词。当然，如果年报中还有其它内容也涉及到这两个词，就会造成干扰。保险起见，在PDF文档内搜索一下，运气不错，这两个关键词在文档中是唯一的，也就是只在这两个地方出现。那就可以放心干了。
以下，先随便找一家上市公司的年报来测试一下。先导入`pdfplumber`模块，用于提取Pdf文件中的文字（也可以用PyPDF2模块，但读取中文容易出错，因此放弃）。然后设定关键词“重大变化情况”，作为停止搜索标志（这个词后面的内容不是我们想要的）。再打开PDF文件，从第7页开始提取文字，26页终止（因为绝大部分年报的“主要业务”内容在8~15页，有个别到23页了）。将每页的文字信息存入`data`字典。再用`if`语句设定一个终止程序，即当关键词“重大变化情况”出现在当页的内容中时，就停止后续的读取了，因为后续读取到的内容已经不是我们想要的了。这样可以节省时间。打个比方，如果我们要的内容在8~9页，程序只会提取7~9页的内容，后面就不会再提取了。
#获取年报中的“主要业务”信息 import pdfplumber file = r"年报\东旭蓝天：2019年年度报告.PDF" data = [] key_words = "重大变化情况" with pdfplumber.open(file) as p: for i in range(6,26): #公司主要业务主要年报的在8~23页范围内 page = p.pages[i] #选页 page_text = page.extract_text() #提取文字 data.append(page_text) #将提取的文字加入列表 if key_words in page_text: #到结束关键词即结束抓取信息，避免浪费时间 break # 终止for循环
得到的结果如下:
data
然后，我们就用开始关键词“公司业务概要”和结束关键词“重大变化情况”来截取二者之间的文字。先定义一个文字截取函数，传入起始关键词，及待处理的字符串。通过`find()`方法确定起始关键词对应的位置索引，然后截取二者之间的字符。
#从字符串中提取指定首尾的文字 def Get_text(start_str, end_str, source_str): start = source_str.find(start_str) #找到开始关键词对应的位置索引 if start >= 0: start += len(start_str) end = source_str.find(end_str, start)#找到结束关键词对应的位置索引 if end >= 0: return source_str[start:end].strip() #截取起始位置之间的字符
#将数据列表`data`转换成一个大字符串 source_str = "".join(data) #截取文字 start_str = "公司业务概要" end_str = "重大变化情况" text_wanted = Get_text(start_str, end_str, source_str) text_wanted
以上，就把想要的内容基本提取出来了。但最后那个几个字“二、主要资产”不是我们要的，因此需要将其去除。先将以上字符串`text_wanted`按照换行符“\n”进行分割，在砍掉最后一个元素，即可得到最终想要的字符串。
final_text = text_wanted.split("\n")[:-1] final_text
将以上字符串写入txt文件，并按公司名称命名保存。写入的txt文件结果如下：
#定义写入txt的函数 def To_txt(filename, final_text):#filename为写入文件的路径，data为要写入数据列表. file = open(filename + '.txt','w',encoding="utf-8") file.write(filename + "\n") for i in range(len(final_text)): text = final_text[i] if i != len(final_text)-1: #判断是否最后一个元素 text = text+'\n' #若不是最后一个元素才换行 file.write(text) file.close() To_txt(r"年报\东旭蓝天：2019年年度报告",final_text)
成功搞定一个之后，我们就可以批量处理了。将待处理的年报放入指定路径，然后获取其路径，存入列表`files`。稍微整合一下程序，运行。10份年报，用时144秒，平均1份年报14秒。
#获取待处理的年报的路径 import os path='年报' #文件所在文件夹 files = [path+"\\"+i for i in os.listdir(path)] #获取文件夹下的文件名,并拼接完整路径 files
import pdfplumber import time time0= time.time() #从字符串中提取指定首尾的文字 def Get_text(start_str, end_str, source_str): start = source_str.find(start_str) #找到开始关键词对应的位置索引 if start >= 0: start += len(start_str) end = source_str.find(end_str, start)#找到结束关键词对应的位置索引 if end >= 0: return source_str[start:end].strip() #截取起始位置之间的字符 #定义写入txt的函数 def To_txt(filename, final_text):#filename为写入文件的路径，data为要写入数据列表. file = open(filename + '.txt','w',encoding="utf-8") file.write(filename + "\n") for i in range(len(final_text)): text = final_text[i] if i != len(final_text)-1: #判断是否最后一个元素 text = text+'\n' #若不是最后一个元素才换行 file.write(text) time.sleep(0.1) #加入一个延时，避免批量写入出现乱码 file.close() #获取年报中的“主要业务”信息 for file in files: data = [] key_words = "重大变化情况" with pdfplumber.open(file) as p: for i in range(6,26): #公司主要业务主要年报的在8~23页范围内 page = p.pages[i] #选页 page_text = page.extract_text() #提取文字 data.append(page_text) #将提取的文字加入列表 if key_words in page_text: #到结束关键词即结束抓取信息，避免浪费时间 break # 终止for循环 #将数据列表`data`转换成一个大字符串 source_str = "".join(data) #截取文字 start_str = "公司业务概要" end_str = "重大变化情况" text_wanted = Get_text(start_str, end_str, source_str) #去掉不需要的尾巴 final_text = text_wanted.split("\n")[:-1] new_file = "主要业务\\" + file.split("\\")[1][:-4] To_txt(new_file,final_text) print("{} 处理完成！".format(new_file)) time1= time.time() print("处理完成，共用时 {} 秒。".format(time1-time0))
