位置：首页-资讯-后端开发

Python：PDF文件处理（数据处理）

2023-09-03 08:14

短信预约 -IT技能 免费直播动态提醒

工作中有对PDF文件进行数据抽取，现在总结归纳一下相应的方法，本文包括一下内容：

PDF文件分割、拼接；

PDF文件抽取图片，简单的图片识别；

PDF文件抽取表格；

PDF文件抽取文本；

PDF文件转docx文件；

docx文件数据抽取；

目的：尽可能的将pdf中的数据，抽取出来，尤其是文本和表格数据尽可能的精准。

Python版本：Python3.8

使用场景：什么时候会用到这个功能呢？比如你爬取了一堆的PDF文件，但是这些PDF文件中存在一些干扰页，比如广告页。这种情况下，你就需要对PDF文件进行分割、拼接，在本文中，将会为大家演示这个方式的另外一个用途。

import osfrom PyPDF2 import PdfFileWriter, PdfFileReaderdef clear_dir(dir_path):    """清空目录下的文件"""    names = os.listdir(dir_path)    for name in names:        file_path = os.path.join(dir_path, name)        cmd = 'del %s' % file_path    #这个是windows命令        #cmd = 'rm -rf %s' % file_path  #这个是Linux的命令        cmd = cmd.replace('/', '\\')  #为啥要这个？因为windows命令不支持/所以需要替换，Linux命令没有遇见这个问题；        os.system(cmd)  #可以通过返回值来判断是否执行成功：0成功，其他失败def split_pdf(pdf, output_dir):    """pdf按每页拆分"""    clear_dir(output_path)    # 获取 PdfFileReader 对象    reader = PdfFileReader(pdf_file)    pages_num = reader.getNumPages()    # writer = PdfFileWriter() 生成一个文件    for index in range(pages_num):        #可以通过对index判断分割想要的        writer = PdfFileWriter()  #按照每页来分割pdf        pageObj = reader.getPage(index)        writer.addPage(pageObj)        # 添加完每页，再一起保存至文件中；如果要输出一个文件，后面这些放置到循环外即可        file_name = os.path.join(output_path, str(index) + '.pdf')        with open(file_name, 'wb') as fw:            writer.write(fw)

我对机器学习了解不多，补充这个也是由于在开发中有这么一个需求。使用场景，需要批量的PDF文件重命名，命名中需要包含发布的机构，这个机构的名称可以在首页获取，但是是一个logo。观察发现，logo中包含了机构名称，所以只需要对logo识别中文即可：

抽取图片：网络上找的代码(太多出处了，懒的写来源了)，由于使用的版本不一致，部分代码有微调，这个也是我比较吐槽的地方，测试了半天。

文字识别

import fitzimport reimport osdef save_pdf_img(path, save_path):    '''    path: pdf的路径    save_path : 图片存储的路径    '''    # 使用正则表达式来查找图片    checkXO = r"/Type(?= */XObject)"    checkIM = r"/Subtype(?= */Image)"    # 打开pdf    doc = fitz.open(path)    # 图片计数    imgcount = 0    # 获取对象数量长度    lenXREF = doc.xref_length()    # 遍历每一个图片对象    for i in range(1, lenXREF):        # 定义对象字符串        text = doc.xref_object(i)        #         print(i,text)        isXObject = re.search(checkXO, text)        # 使用正则表达式查看是否是图片        isImage = re.search(checkIM, text)        # 如果不是对象也不是图片，则continue        if not isXObject or not isImage:            continue        imgcount += 1        # 根据索引生成图像        pix = fitz.Pixmap(doc, i)        # 根据pdf的路径生成图片的名称        new_name = "img{}.png".format(imgcount)        new_name = os.path.join(save_path, new_name)        pix.save(new_name)        # 释放资源        pix = None

第三方包：paddleocr，安装教程网上都有，自己搜索即可

from paddleocr import PaddleOCRimport logging#将一些日志信息过滤掉logging.disable(logging.DEBUG)logging.disable(logging.WARNING)ocr = PaddleOCR(use_angle_cls=True, lang='ch')result = ocr.ocr(img_path, cls=True)if len(result) != 1:    print('result num=', len(result))    exit()result = result[0]lines = []#可以直接答应result看看都是些什么结构for line in result:    lines.append(line[1][0])#这就是识别出来的文本print(lines)

效果：对于正规的的字体识别还是很好的，包括繁体，可能是logo图中的文本比较简单的原因，没有深究，文本识别技术还未深入学习，不发表言论。

PDF文件的数据组成：主要是文本、图片、表格，这三部分组成，但是也会穿插流程图、各种柱状图等。

Python可以抽取的PDF表格、文本数据的第三方包：pdfplumber，tabula，camelot

（一）、pdfplumber

1、pdfplumber：可以说是目前所有包中做的最好的一个包。

优点：

①每页单独对象，支持文本、表格数据的抽取（亮点）；

②文本抽取：保留了文本的格式，比如换行位置有空格，可以通过这个特点将一段的文本整合；

③表格数据抽取：不会被换行数据所干扰；

缺点：

①文本抽取：如果这页有表格数据，抽取到的文本数据中会包含表格数据(也可能是一个优点？？？)。

②表格数据抽取：对于有合并单元格的表格，无法还原表格结构。

③表格数据抽取：表格数据不能100%保证和原数据一致，可能少那么接个字，可能识别出错等。

④表格数据抽取（缺陷）：最主要的还是对无边界的表格，效果很差，会丢失边缘的数据！！！

⑤表格数据抽取：会被流程图、柱状图干扰；

简单使用：

import pdfplumberpdf = r'../data/text.pdf'wookroot = pdfplumber.open(pdf)pages = wookroot.pagesfor page in pages:    text = page.extract_text()    tables = page.extract_tables()    print(text)    print(tables)    breakwookroot.close()

这个包也有一下高级的用法，主要是对表格数据抽取进行参数调节，但是效果嘛，不是很理想。

（二）、tablua

tablua：专门用于抽取PDF文件中表格数据的包

优点：

①抽取出来表格数据可以反向推导出表格的结构（亮点）；

②不会换行数据干扰；

③可以指定页读取

缺点：

①无法保证表格数据100%准确；

②对于无边界表格支持不好，丢失数据；

import tabluadef get_tabula_tables(pdf_path):    dfs = tabula.read_pdf(pdf_path, pages='all', encoding='gbk')    tables = []    for df in dfs:        df = df.fillna('')        headers = df.keys().values.tolist()        lt = []        for header in headers:            if header.count('Unnamed'):                lt.append('')                continue            if header[-1].isdigit() and header.count('.'):                words = header.split('.')                line = '.'.join(words[:-1])                if headers.count(line):                    lt.append(line)                    continue            lt.append(header)        headers = lt        values = df.values.tolist()        lt = []        for words in values:            rows = []            for word in words:                if not isinstance(word, str):                    word = str(word)                    if word[-2:] == '.0':                        word = word[:-2]                        rows.append(word)                        continue                rows.append(word)            lt.append(rows)        values = lt        values.insert(0, headers)        tables.append(values)    return tablespdf_file = 'xxxx.pdf'tables = get_tabula_tables(pdf_path)

读取表格中的整数，后面会带有“.0“。

（三）、Camelot

安装包以后，默认的模式无法使用，只能够使用stream来读取。

import camelottables = camelot.read_pdf(pdf_file, flavor="stream")for table in tables:    print(table.df)    print('>>'*50)

流式读取会将整页当做一个表格。

总结-解析PDF文件

文本：最好的包就是pdfplumber，可以获取到完整的文本数据，但是表格文本、流程图文本、图表文本所也会被读取。这个缺点自然是难以拆分，基本没有通用的逻辑可以排除。这个也是优点，如果我们想将表格数据插入到文本中，那么是不是就可以通过这种方式来实现呢？总的来说，还是很复杂，对于同一段落的文本，还需要我们自己去合并，涉及到换页、表格数据干扰、流程图数据干扰以及包本身可能会读取出错，这个工作量是非常的大，想要实现真的是很难（这么过滤表格数据就足以搞崩心态）。

表格：对于有线表格，推荐的pdfplumber；边框线缺失的，基本都会丢失数据。如果你需要重构数据，可以用tablua。值得注意的事，不管那个包，都有可能存在表数据和pdf中表数据不一致的问题（或多、或少、或读错）。

相信大家也看到了，想直接从pdf中解析出文本、表格数据是真的心累。那么我们能够换个思路，从它的前身入手，读取docx文档。docx文件与pdf文件不同之处在于，docx中的数据是标签化的，只要是标签化，我们提取数据基本上就不会出错。

我这里一共有两种方式pdf转docx：pdf2docx+aspose

（一）、pdf2docx

这个包是相信大家都是比较熟悉的，百度中90%都是这个用法。

from pdf2docx import Converterimport logginglogging.disable(logging.INFO)logging.disable(logging.DEBUG)logging.disable(logging.WARNING)pdf_file = 'xxx.pdf'cv = Converter(pdf_file)docx_file = 'xxx.docx'cv.convert(docx_file)cv.close()

优点：1、转换速度快，0.2秒一页；2、无线+有线表格都支持；

缺点：1、纸张方向是横向的表格不支持；2、并不是所有表结构都可以转换（表格边框线的多样性会影响转化的效果）。

（二）aspose

官网：File Format APIs for .NET Core, Java, Python, C++, Android | products.aspose.com

今天主要用里面的aspose.words。aspose.pdf这个也可读取数据，但是效果还没有pdflumber好。

import aspose.words as awpdf_file = 'xxx.pdf'docx_file = 'xxx.docx'pdf = aw.Document(pdf_file)pdf.save(docx_file)

优点：1.无线+有线表格都支持；2、支持横向表格；3、表格数据更加准确。

缺点：

有两个版本，免费版和付费版：免费版单个文件只能转5页。

有水印+页眉，转换的words中会有该公司的水印和页眉，这个应该能够解决（没试过）。

和pdf2docx一样，对于特殊结构的表格，转换会很糟糕。

某些情况下文本会出现错乱（我也不知为啥，但是用pdf2docx没有问题）。

没有哪个是绝对精准、通用的，但是至少有两种方案来互补。我测试过网上的在线pdf转docx，要么表格数据有缺失，要么就是用ocr来识别、重构的word，这个种word提取出来的表格数据无法使用。

直接上代码

from docx import Documentdef get_doc_tables(doc):    """    获取docx文件中表格，转化成list    :param doc:    :return:    """    result = []    tables = doc.tables    for table in tables:        ret = []        for row_index in range(len(table.rows)):            lt = []            for col_index in range(len(table.row_cells(row_index))):                text = table.cell(row_index, col_index).text                lt.append(text)            ret.append(lt)        result.append(ret)    return resultdef get_doc_lines(paragraphs):    lines = []    for paragraph in paragraphs:        line = paragraph.text.strip()        if not line:            continue        lines.append(line)    # aspose用的体验板，带有页眉    lines = lines[1:]    return linesdocx_file = 'xxx.docx'doc = Document(docx_file)tables = get_doc_tables(dox)paragraphs = doc.paragraphslines = get_doc_lines(paragraphs)

优点：