Python操作PDF-文本和图片提取（使用PyPDF2和PyMuPDF）

PDF文件格式

如今，可移植文档格式（PDF）属于最常用的数据格式。在1990年，PDF文档的结构由Adobe定义。PDF格式的思想是，对于通信过程中涉及的双方（创建者，作者或发送者以及接收者）而言，传输的数据/文档看起来完全相同。

工具和库

适用于Python的PDF工具，模块和库的可用解决方案范围有些混乱，需要花一点时间弄清楚什么是什么，以及哪些项目需要连续维护。根据我们的研究，以下是最新的候选人：

• PyPDF2：一个Python库，用于提取文档信息和内容，逐页拆分文档，合并文档，裁剪页面并添加水印。PyPDF2支持未加密和加密的文档。
  
• PDFMiner：完全用Python编写，适用于Python 2.4。对于Python 3，请使用克隆的包PDFMiner.six。这两个软件包都允许您解析，分析和转换PDF文档。这包括对PDF 1.7以及CJK语言（中文，日文和韩文）的支持，以及各种字体类型（Type1，TrueType，Type3和CID）。
  
• pdflib for Python：Poppler库的扩展，为它提供了Python绑定。它使您可以解析，分析和转换PDF文档。不要将其与具有相同名称的商业吊坠相混淆。
  
• PyFPDF：一个在Python下生成PDF文档的库。从FPDF PHP库移植而来，这是著名的PDFlib扩展替换，其中包含许多示例，脚本和派生类。
  
• PDFTables：一项商业服务，提供从PDF文档附带的表格中提取的内容。提供一个API，以便PDFTables可以用作SAAS。
  
• PyX -Python图形包：PyX是用于创建PostScript，PDF和SVG文件的Python包。它结合了PostScript绘图模型的抽象和TeX / LaTeX接口。这些基元可以构建复杂的任务，例如以可发布的质量创建2D和3D绘图。
  
• ReportLab：一个雄心勃勃的，具有行业实力的图书馆，主要致力于精确创建PDF文档。免费提供开放源代码版本和名为ReportLab PLUS的商业增强版本。
  
• PyMuPDF（又称“ fitz”）：MuPDF的Python绑定，这是一种轻量级的PDF和XPS查看器。该库可以访问PDF，XPS，OpenXPS，epub，漫画和小说书格式的文件，并且以其最佳性能和高渲染质量而闻名。
  
• pdfrw：一个基于Python的纯PDF解析器，用于读写PDF。它忠实地再现矢量格式而无需光栅化。与ReportLab结合使用时，它有助于在使用ReportLab创建的新PDF中重用现有PDF的一部分。

我们将重点介绍PyPDF2和PyMuPDF，并说明如何以最简单的方式提取文本和图像。为了了解PyPDF2的用法，官方文档和许多其他资源提供的示例的组合对您有所帮助。相比之下，官方PyMuPDF文档更加清晰，并且使用该库的速度也大大加快。

使用PyPDF2提取文本

$ pip3 install PyPDF2

清单1首先导入了PdfFileReader该类。接下来，使用该类打开文档，并使用getDocumentInfo()方法提取文档信息，使用提取页数getDocumentInfo()以及第一页的内容。

请注意，PyPDF2从0开始计数页面，这就是该调用pdf.getPage(0)检索文档第一页的原因。最终，提取的信息被打印到stdout。

清单1：提取文档信息和内容。

#!/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())

如上面的图1所示，提取的文本是连续打印的。没有段落或句子分隔。如PyPDF2文档中所述，所有文本数据都按照在页面内容流中提供的顺序返回，并且依靠它可能会导致一些意外。这主要取决于PDF文档的内部结构，以及PDF编写器过程如何生成PDF指令流。

使用PyMuPDF提取文本

可从PyPi网站上获取PyMuPDF，并在终端中使用以下命令安装软件包：

$ pip3 install PyMuPDF

显示文档信息，打印页数以及提取PDF文档的文本的方式与PyPDF2相似（请参见清单2）。要导入的模块名为fitz，并返回到PyMuPDF的先前名称。

清单2：使用PyMuPDF从PDF文档中提取内容。

#!/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的优点是可以保持原始文档结构完整-带有换行符的整个段落都保留在PDF文档中（参见图2）。

使用PyMuPDF从PDF提取图像

PyMuPDF使用该方法简化了从PDF文档提取图像的过程getPageImageList()。清单3基于PyMuPDF Wiki页面上的示例，并逐页地将PDF中的所有图像提取并保存为PNG文件。如果图像具有CMYK色彩空间，则将首先将其转换为RGB。

清单3：提取图像

#!/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页PDF上运行此Python脚本，它在不到3秒的时间内提取了117张图像，这真是了不起。单个图像以PNG格式存储。为了保持原始图像的格式和大小，而不是转换为PNG，请查看PyMuPDF Wiki中脚本的扩展版本。

图3：提取的图像

使用PyPDF2将PDF拆分为页面

对于此示例，首先需要同时导入PdfFileReader和和PdfFileWriter类。然后，我们打开PDF文件，创建一个阅读器对象，并使用阅读器对象的getNumPages方法遍历所有页面。

在for循环内部，我们创建的新实例PdfFileWriter，该实例尚不包含任何页面。然后，使用pdfWriter.addPage()方法将当前页面添加到我们的writer对象。此方法接受一个页面对象，我们使用该PdfFileReader.getPage()方法获取该对象。

下一步是创建一个唯一的文件名，我们使用原始文件名加上单词“ page”以及页码来完成。我们在当前页码上加1，因为PyPDF2会计算从零开始的页码。

最后，我们以“写二进制”模式（mode wb）打开新文件名，并使用该类的write()方法pdfWriter将提取的页面保存到磁盘。

清单4：将PDF拆分为单个页面。

#!/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)

查找所有包含文本的页面

这个用例非常实用，并且工作方式类似于pdfgrep。该脚本使用PyMuPDF返回包含给定搜索字符串的所有页码。页面一页接一页地加载，借助该searchFor()方法，将检测到搜索字符串的所有出现情况。如果匹配则在上面印有相应的信息stdout。

清单5：搜索给定的文本。

#!/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))

下面的图5显示了一本400页的书中“ Debian GNU / Linux”一词的搜索结果。

结论

此处显示的处理PDF方法非常强大。使用相对较少的代码行数，很容易获得结果。