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
因工作中的某些奇葩要求，需要将PDF文件的每页内容转存成按顺序编号的图片。用第三方软件或者在线转换也可以，但批量操作还是Python方便，所谓搞定办公自动化，Python出山，一统天下；Python出征，寸草不生~ O(∩_∩)O
不过这个需要用到`PyMuPDF`库，电脑运行cmd，输入“pip install PyMuPDF”安装即可。安装后通过`import fitz`导入模块。等等，为什么安装的是`PyMuPDF`，导入的是`fitz`？俺`PyMuPDF`就是这么任性，怎么的，爱用不用！哈哈，开个玩笑。其实是因为`PyMuPDF`曾用名`fitz-python`，所以只是`fitz`换了个马甲而已。
这里先导入`fitz`库，用于将PDF文件的页面提取成像素信息（图片）。再导入`glob`库，用于获取后缀为".pdf"的文件的文件名。`os`库可新建文件夹。
#批量将PDF文件转为图片 import fitz import glob import os image_path = "图片\\" #存放图片的文件夹 PDFfiles = glob.glob("PDF文件\\*.pdf") #获取所有pdf文件的文件名 for PDFfile in PDFfiles: #遍历所有PDF文件 PDFdoc = fitz.open(PDFfile) #读取PDF文件 folder_name = PDFfile.split("\\")[-1].split(".")[0] #按源文件名新建文件夹 for pg in range(PDFdoc.pageCount): #根据PDF的页数,按页提取图片 page = PDFdoc[pg] #增强图片分辨率 zoom_x = 3 #水平方向 zoom_y = 3 #垂直方向 mat = fitz.Matrix(zoom_x, zoom_y) pix = page.getPixmap(matrix=mat) #按原PDF名称新建文件夹并按顺序保存图片 if not os.path.exists(image_path+folder_name):#判断文件夹是否已存在 os.makedirs(image_path+folder_name)#不存在则新建，存在就跳过这行 pix.writeImage(image_path+folder_name + "\\{}.png".format(str(pg+1))) #按PDF中的页面顺序命名并保存图片
以上，我们先将所有待处理的PDF文件放入“PDF文件夹”，然后通过`glob.glob("PDF文件\\*.pdf")`搜索并抓取所有以".pdf"为后缀的文件，并存入变量`PDFfiles`中。结果如下所示：
PDFfiles
然后，遍历`PDFfiles`中的所有PDF文件，使用`fitz.open()`读取。`fitz.open()`用于创建PDF文件中页面的像素映射(pixel maps)，即用像素来表示页面信息。然后按PDF文件名命名一个新的文件夹，以便储存图片。比如给“收货记录.pdf”文件建一个名字为“收货记录”的文件夹，专门储存关于它的页面的图片。随后用`for`循环，根据PDF的页数，按页提取图片。将每页的信息存入`page`变量，它的type 是`fitz.fitz.Page`，即一页像素文件。
为了让图片看起来更清晰，需要增强图片的分辨率，设定图片水平及垂直方向的增强倍数，传入`Matrix`。`Matrix`用于提升即将保存的图片的分辨率，分辨率的提升倍数为`zoom_x`与`zoom_y`的乘积。倍数越大，图片越清晰，当然占用空间也越大。这个参数可根据实际要求调整。然后将`Matrix`存入`mat`，传入`getPixmap()`。`getPixmap()`用于控制图片分辨率、色域（比如生成灰度图像或带有减色方案的图像）、透明度、旋转、镜像、移位、剪切等。由于其它都不需要专门设定，所以只增强其分辨率。
一页图片处理好后，就需要保存图片了。先通过`os.path.exists`判断一下需要的文件夹是否存在，若不存在就通过`os.makedirs`创建。然后用`pix.writeImage`按页码编号写入并保存图片。
